现实中的大多数随机信号序列是非平稳的,并且一些信号具有明显的自相似特性。自相似性体现了信号的局部和整体之间的相关性,可以用Hurst参数进行描述。传统的Hurst参数是一个具有全局性的参数,即整个信号的Hurst参数是一个常数,代表了信号整体的一种自相似特性。但是,专家学者们在分析一些长期数据的自相似性过程中发现,其不同时期的Hurst参数有所区别。传统Hurst参数估计方法只能体现整体数据的自相似特性,其估计结果无法描述这些信号的局部突变信息,因此数据的局部自相似特性分析逐渐受到重视。研究和分析时间序列数据的局部自相似性,对于建立更加准确的系统模型及数据预测,具有重要的意义。本文首先介绍自相似时间序列的定义和相关理论,然后介绍分形布朗运动模型和分形高斯噪声模型。本文利用传统Hurst参数估计方法对时变Hurst参数估计进行深入的研究,得到比较准确的估计结果。本文采用两种改进方法对自相似特性局部Hurst参数进行分析,并通过Matlab仿真完成改进方法的设计。首先,基于滑动窗函数对时变Hurst参数进行估计,研究时间序列的局部特性。其次,引入加权平均值的方法来估计时变Hurst参数,在移动时间窗口上使用指数平滑,对自相似性的序列进行动态研究。此外,为了验证本研究中时变Hurst参数估计改进方法的有效性,将本文改进方法应用于实际网络流量的分析中,并得到较好的分析结果。本文研究内容对具有局部自相似特性的随机信号研究提供了一种有效的分析方法。