作为一种近年来才出现的、新颖的聚类算法，双聚类算法侧重于对子空间内的相似模式进行聚类，这种算法在高维数据的聚类方面具有良好的应用前景。已经证明，双聚类问题是NP-Hard问题，已有的双聚类算法都面临着如何有效聚类数据对象和克服时间复杂度的困难。已经提出了一些非确定性的和确定性的双聚类算法，但是这些算法都是对线性相关的对象或满足某个线性模型的对象进行聚类，然而实际数据中也存在着大量的非线性相关的数据对象；另外，可应用于时序数据的双聚类算法还比较少。 本文首先引入广义信息论中的二次互信息作为相似性度量，提出一种快速的简化计算二次互信息的算法，以克服二次互信息计算开销大的不足，并通过实验，在计算时间开销和识别非线性相关方面，将二次互信息与Pearson相关系数进行了对比，初步验证了二次互信息具有识别非线性相关的能力。在此基础上，基于二次互信息和滑动窗口技术，提出了一种时序数据相似模式-MI窗口相似模式，并以一种后缀树的简单变形-MI-泛化后缀树作为索引结构，提出了一种适用于时序数据的确定性双聚类算法MI-TSB。该算法与其他双聚类算法的显著区别在于，能够快速发现各个滑动窗口下时序数据对象间的非线性相关性。最后，用合成数据和两个真实的时序基因表达数据考察和验证算法的可伸缩性和聚类有效性，并与两个双聚类算法进行对比，实验结果验证了本文提出的双聚类算法具有良好的运行性能，成功地聚类出合成数据中的非线性相关的簇集，发现了隐藏在基因表达数据中的多种聚类形态；利用Gene Ontology对聚类结果进行基因注释，也验证了聚类结果的生物学意义。