随着科学技术的发展,“大数据”时代已经到来。信息规模越来越大,数据传播呈现出爆发之势,现代社会已步入信息高速发展的时期。与此同时,人们获得数据的方式方法越来越多,数据量具有前所未有的增长速度。而时间序列在各种数据中是一种重要的数据类型。时间序列可以反映受监测事物的状态,它是对某个物理量进行等时间间隔观测所得的数值序列。时间序列数据的采样点具有连续性和数值特性,整个时间序列可以被看成是一个整体的数据对象。时间序列在诸多领域有着广泛的应用,比如多媒体应用、医学检测技术、语音识别与处理、经济金融分析研究、天文、物理、地理等。与此同时,时间序列具有海量性、维度高、结构复杂、存在噪声、存在相似性变形等特性,这些特性使得时间序列数据挖掘研究工作充满了挑战。时间序列数据查询技术同一般的数据查询技术任务类似,其目的为了更好的挖掘、抽取得到用于分析和应用的知识表示。数据挖掘、机器学习等技术的根本任务为设计相应的模型和算法,使得计算机获得智能的感知、理解和识别等能力。在过去的几年里,大量的科学工作者致力于面向时间序列特征的查询技术的研究工作。虽然时间序列数据挖掘工作取得了许多研究成果,但是由于时间序列数据的复杂特性,在实际应用中,面向时间序列特征的查询技术仍然面临着很多新的问题和很多亟待解决的关键问题。首先,根据不同的应用场景,时间序列数据有不同的表现形式,例如,时间序列可表示为,一维音乐数据,多维音乐数据,医学数据流数据,语音数据等形式,如何有效地表示不同类型的时间序列是一个亟待解决的问题。其次,为了满足高效地查询检索应用,如何在时间序列数据上实现准确地相似度量及构建高效的索引仍然是一个难题。此外,如何有效地解决时间序列在新的应用场景下的技术难题,例如语音情感模糊识别,也是本文面临的一个主要挑战。为了解决上述问题,本文深入研究了时间序列近似表示方法、时间序列相似性度量方法和时间序列聚类方法。并在此基础上,针对四种不同的时间序列数据:一维音乐数据,多维音乐数据,医学数据流数据,语音数据,分别研究了一维和多维音乐数据的检索技术,可穿戴传感器异常检测技术,以及语音情感模糊识别技术并提出了相应的解决办法。具体地,本文的研究内容分为以下四个部分:（1）面向时间序列特征的一维音乐数据检索技术提出了一种新的音乐哼唱快速检索技术,该技术根据音乐的语句特征划分语句片段,提取出位置特异性得分矩阵,从而实现哼唱音乐的快速检索。该方法根据哼唱音乐特征,将音乐数据库和用户提供的哼唱片段,按自然停顿方式划分音乐的语句,同时使用K-means聚类算法对音乐的语句片段进行音高相似性计算,并根据聚类情况提取出位置特异性得分矩阵。此外,基于位置特异性得分矩阵提出NA匹配算法,顺序前瞻计分SLS算法和置换矩阵前瞻计分PLA算法,通过真实数据集实验表明,SLS算法和PLA算法能够实现快速有效的哼唱音乐检索结果。（2）面向时间序列特征的多维音乐数据检索技术该技术将音乐数据视为多维时间序列,提出用于多维序列匹配的距离函数MDTW和子序列匹配方法MDTWsub。音乐数据由二维时间序列表示,其中每个维度分别保存关于每个音符的音高或持续时间的信息。为了提高效率,利用倒排表和q-gram技术对音乐数据库进行处理,并利用q-chunk技术对哼唱曲目进行处理。提出TopK-Brute和TopK-LB算法来搜索Top-k歌曲。实验结果证明了提出的方法有效性和高效性。（3）面向时间序列特征的可穿戴传感器异常检测技术在医学领域,时间序列同样大量而广泛的存在。针对医学领域中可穿戴传感器监测设备,提出了一种医学无线传感器的异常数据检测算法。此时数据是按照时间先后顺序排列各个观测的医学记录。提出了 BF、ET和PF三种算法来检测异常情况,在真实患者数据集上的实验结果表明,所提出的方法在保持合理的报警精度和召回率的同时,能够有效地检测病人的异常情况。（4）面向时间序列特征的语音情感模糊识别技术研究了模糊聚类的相关理论,利用不同数据集的聚类半径提出了语音情感识别的自适应模糊聚类算法。由于情感信息本身的语义变量具有模糊性和不确定性,很难准确地识别出情感状态。本文研究了基于语音情感的语音情感识别方法的自适应模糊C均值算法SEAF。实验结果表明,模糊加权指数对SEAF算法性能的影响,发现SEAF比FCM具有更好的识别效果,SEAF算法的抗噪声性能优于FCM。本文提出的算法具有良好的语音识别性能,具有良好的适用性和可扩展性,设计简单易行。