时间序列数据就是按时间先后顺序排列各个观测记录的数据集，广泛存在于社会、经济、技术等领域中。它不仅仅是历史事件的记录，更重要的是蕴藏其中的不显现的、有趣的模式。在时间序列数据库越来越大的今天，如何对这些海量数据进行分析处理，挖掘其背后蕴藏的价值信息，对于人们正确认识事物和科学决策提供依据具有重要的实际意义，对时间序列的数据挖掘的研究显得愈发必要。时间序列分析的一个重要研究方向是采用数据挖掘的方法来揭示数据内部规律。相对于数据挖掘较成熟的部分而言(如关系数据库中关联规则和分类规则的挖掘等)，时间序列数据挖掘的研究还属于数据挖掘研究领域中一个较新的分支。目前对于时间序列数据挖掘的研究主要集中在相似性搜索和模式挖掘上。相似性搜索是时间序列数据挖掘的研究基础，因为无论是分类、聚类还是关联规则挖掘，都需要解决时间序列的相似度问题，相似性搜索是时间序列数据挖掘的研究基础。在相似性搜索研究中存在的主要问题是时间序列数据量过大，一个有效的解决办法是对时间序列进行重新描述，减小数据量，人们已经提出了几种时间序列的描述方法。本文第三章在前人的基础之上将界标模型与分段线性化结台，提出了一种基于关键点的时间序列分段线性化表示方法，该方法从原始序列中提取关键点(符合一定条件的界标)，以关键点来作为分段的界线，以最大似然函数和最小二乘法来拟合各分段线性拟合函数。该方法结合了两种序列表示方法的特点，同时考虑了时间序列数据内在的整体特征，而且保留各分段在时间序列中的位置信息。在分段线性化表示的基础上文章又提出了一种相似性计算方法，该方法对于时间序列的多种变形都不敏感。股票市场的技术分析一直是一个热门的研究课题，人们提出了各种不同地方法来预测股市的走势。技术分析中一个经典组成部分是形态分析。不同的形态有着不同的意义，形态的背后常常蕴含着一定的规律，往往预示着股票价格的未来走势，如头肩顶是一个长期趋势的转向形态，通常出现在牛市的尽头，股价开始出现滞涨，形态分析目的是预测市场价格变化的未来趋势、为股票投资者决策提供依据。文章最后将在相似性挖掘研究的基础上讨论一个基于数据挖掘技术进行证券市场的技术分析的方法。该方法通过应用时间序列的相似性搜索来寻找股市的走势模式，从而进行股市指数等有关变量的预测。本文的创新点主要表现在：在前人研究的基础之上，将界标模型和分段线性化进行了结合，以关键点(满足条件的界标)作为分段依据，以最大似然函数和最小二乘法来拟合各分段线性拟合函数；优点在于符合人体生理实验结果，考虑了时间序列数据内在的整体特征，而且保留各分段在时间序列中的位置信息、能够滤去实际时间序列中的噪声。文章另一个创新点是将时间序列相似性挖掘技术运用于股票时间序列的分析之中。