时间序列蕴含了大量潜在的信息,知识和事物规律。众多学者不断尝试用各种方法来研究时间序列,尝试获取这些隐藏的价值来进一步了解事物的形成和发展。庞大的时间序列数据中重要信息与大量噪音并存,因此学者在研究较为复杂的时间序列时,往往会先对其进行有效的模式表示,使之更适于项目的研究。模式表示不仅对原时间序列进行了强大的压缩,并且在消除噪音的基础上最大程度的保留了有效信息。模式表示的有效性直接影响了随后相关实验的结果的可信度。本文首先针对时间序列提出一种新的模式表示方法,即基于重要点的最大最小点描述模式方法。其中最大最小点是指在某段时间内数据因其变动而产生的局部最高点和局部最低点。该模式表示方法分为四部分：首先通过局部最大法从时间序列中提取局部范围内的最大最小点；其次通过趋势法和差值法对局部最大最小点进行逐步优化；接着利用优化后的最大最小点及其之间的连线形成新的最大最小点描述模式曲线：最后对金融时间序列进行最大最小点描述模式分析,获得具有套利性质的描述模式曲线。最大最小点描述模式保留了原时间序列的基本形态,突出了关键点并减少了次要点,更为直观的展现原波动趋势。通过对金融时间序列的研究,还可以从中发现金融市场中跨期套利,刻画出投资者在金融博弈中的基本套利行为和方法。本文在最大最小点描述模式的基础上,接着提出基于重要点时间序列的艾略特波浪模式识别,该方法属于元素结构模式匹配方法。该模式识别的目的就是利用金融时间序列所形成的最大最小点描述模式,提取出潜在的艾略特波浪模式。该模式识别有以下几个特点,首先使用分阶段模式识别的过程,依次对驱动浪,顶端和调整浪三个阶段进行特征分析识别,继而获得完整的艾略特波浪模式；其次在构造过程中对各个阶段中的不同变体进行了逐个识别并进行相应的优化,使优化后的变体曲线更适于艾略特波浪模式的构造；最后针对模式识别的实验结果进行数据上的比例分析,判断本次模式识别所提取出的模式是否具备艾略特波浪模式应有的特点。