时间序列作为一种特殊的数据形式,广泛存在于经济、生物、医学、天文等领域,是数据挖掘中重要的研究对象。随着不确定时间序列的出现,有关不确定时间序列数据分析成为一个研究热点。本文主要针对不确定时间序列进行分类分析,提出适合不确定时间序列的相似性匹配算法,改进传统的shapelet分类算法,寻求更加适合不确定时间序列的分类算法。根据不确定时间序列基本概念,使用以概率密度表示的连续型不确定时间序列表示模型。分析比较确定性与不确定性时间序列匹配算法。综合考量各种算法优缺点,针对不确定时间序列有序性、高维度、不确定特征,采用基于DTW(Dynamic Time Warping)的距离算法。基于所采用的概率型数据模型,用概率密度表示的误差函数来表示数据不确定性。使用期望距离结合权重函数方法来实现不确定时间序列对应点之间距离计算。期望距离中使用概率统计方法计算两点之间距离,考虑误差函数,权重函数通过加权进一步保证算法准确性。根据DTW算法思想,提出UWDTW(Uncertain Weighted Dynamic Time Warping)距离计算方法。将此算法应用于不确定时间序列的最近邻分类进行评估。针对分类算法时间复杂度较大的问题,改进LB_Keogh(Lower Bound by Keogh),一种下界函数过滤算法,降低计算成本,提高分类算法的性能。实验表明,本文提出的相似性匹配算法在处理不确定时间序列时能够获得更接近真实值的结果,提供较好的分类准确度。针对最近邻分类算法不具有解释性,算法复杂度过大的不足,用shapelet表示不确定时间序列中最具代表性的子序列,提出shapelet转换分类算法。首先,使用基于关键点的PLR(Piecewise Linear Representation)线性分段方法对不确定时间序列进行降维处理,解决数据高维度问题。然后,针对shapelet选择过程中存在大量相似性元素的问题,改进以往的shapelet选择算法,采用shapelet剪枝策略移除集合中相似的元素,获得精简而不失准确性的shapelet。最后,提出shapelet转换分类算法。分类算法中采用UWDTW距离算法。实验结果表明,基于shapelet的转换分类算法可以用于不确定时间序列的分类;而且,该算法提供分类可解释性,弥补了最近邻分类算法的不足,帮助更好地分析数据。