现代工业科学技术飞速发展，设备系统的结构越来越复杂，系统运行的安全性和可靠性得到社会普遍的关注，众多科研工作者投身于故障诊断技术的研究。如何实现更低的复杂度和更强的在线诊断能力一直是当前研究的热点。时间序列的相关技术目前有着广泛的研究，其在故障诊断技术中有一些成功的应用。本文主要从时间序列相似性距离度量和聚类分析的角度对故障诊断技术进行研究，具体内容如下：首先，本文研究了时间序列相似性距离度量的常用算法，针对传统的欧式距离匹配效率较低，而DTW距离度量时间复杂度非常高，且不支持相似性比较中时间轴伸缩、平移的问题，提出了基于最长公共子序列的时间序列符号化相似性度量算法。算法引入柔性匹配参数，使得序列匹配能够减少噪声干扰，此外规范了匹配路径，减少了算法耗时，同时一定程度上支持时间序列的各种变换近似匹配，提高了相似性度量的准确性。其次，在相似性距离度量算法基础上，提出了一种时间序列聚类算法，实现了基于字符距离的聚类模型分析。算法利用E-LCS距离作为聚类算法中类粗相似性划分的依据，结合模糊聚类思想，建立隶属矩阵，实现时间序列的聚类分析。在大量公共数据集上的实验表明，算法耗时增量有限的情况下，大幅提高了聚类的准确性。最后，文本将该聚类算法应用于提升系统的故障诊断，结合目前常用故障诊断算法综合评测，通过实验对整体模型进行验证和评价，证明ELCS-Cluster算法可以有效提高提升机故障诊断的准确率。