从数据中找出因素之间的关系,是数据挖掘的主要任务。在因素空间理论下,因素是因果分析的要素,因素之间存在关联与因果两种关系。因果关系尤其强调“先因后果”关系,这种关系在时间序列数据挖掘体现得尤其明显。面对时间序列,如何发掘特征,对应的因素如何变化,变化因素与分类结果是否存在因果关系,这都是建立时间序列数据挖掘模型时要考虑的问题。本文首先探讨因素空间理论下因素关联与因果关系,给出因素关联与因素相关的定义,以及因果关系需满足的条件。又因为特征提取是时间序列数据挖掘的重要一步,因素必含有可观测到的特征将讨论对象区分开来,所以分析了特征与因素的辩证关系。通常情况下,熵可以用来衡量因素之间的相互影响,也作为衡量特征重要性的一个指标。因此本文在线性熵已有的二分类公式上,补充了线性熵的多分类公式。数值实验表明:线性熵与信息熵分别具有欠拟合与过拟合的缺点,如果利用集成学习对上述缺点同时进行弥补,会得到线性熵不仅计算复杂度低,并且在部分机器学习算法上可以有效替代信息熵的结论。这样的结论也在典型的C4.5与随机森林决策算法得到了证明。在上述理论的基础上,本文改进了Shapelets时间序列算法。原算法作为发掘时间序列局部特征的主要算法,不仅精度高,且可解释性强。但也存在着算法复杂度高和局部特征提取方法难以确定的缺点。改进算法基于一维卷积进行数据转换,通过多次随机抽取相同数目的Shapelets构造不同决策树,最后多数投票决定时间序列的类别。实验结果表明,基于一维卷积特征提取的Shapelets分类算法不仅极大提高了原始算法的精度,而且增强了结果的可解释性。除此之外,表现优秀的卷积核也可以反映时间序列隐藏的自相关性特点,为进一步发现时间序列变化规律提供了有利帮助。本论文有图12幅,表9个,参考文献51篇。