近年来，随着数据库技术以及数字化技术的不断进步，针对高维时间序列的数据挖掘研究引起了越来越多学者广泛的兴趣。然而，由于数据维度的增多，大大增加了数据挖掘算法的复杂性，使得经典的针对低维度时间序列的数据挖掘算法很难应直接应用到高维时间序列数据上来。本文以大规模人体运动捕捉数据分析为背景，重点对降维、高维数据索引结构以及基于统计学习的高维时间序列分割算法进行了研究，设计并实现了一个针对高维时间序列的相似性检索以及基于统计学习的时间序列序列分割的软件原型。在维度约简方面，针对人体运动捕捉数据的特点，总结了目前存在的多种维度约简算法，提出了基于运动能量的人体运动描述模型，在此基础上引入熵的概念，提取能体现运动特征的关键关节，从而进行维度约简。该维度约简算法在保证了检索精度的前提下，降低了检索算法的复杂度。在高维数据索引方面，深入分析了相似度度量算法DTW以及R树等高维数据索引结构。重点讨论了基于Keogh距离的支持多度量算法的索引结构，并将经典的针对DTW的索引算法扩展到了高维，用以索引和查询人体运动捕捉数据，最后实现了一个基于例子的运动捕捉数据检索系统。在高维时间序列分割算法方面，详细介绍了分类模型条件随机场(CRF)的理论。针对人体运动捕捉数据的特点，利用条件随机场模型的无偏分类特性，对动作序列进行了有意义的分割。这种分割算法可以作为基于符号表示的时间序列检索的预处理算法。