时间序列数据是一类重要的复杂数据对象,广泛存在于自然现象和社会经济等领域中。应用数据挖掘技术分析时间序列数据能够发现时间序列中所蕴涵的知识,因此时间序列的数据挖掘是数据挖掘的重要研究热点之一。其中,时间序列线性表示方法及其相似性度量算法是时间序列数据挖掘的研究重点。在对时间序列进行各种操作之前,必须对时间序列数据首先进行预处理,得到高质量的数据以便处理。时间序列线性表示是数据预处理的基本方法。本文在研究了现有线性表示方法的原理后,分析总结了它们的缺陷,提出了一种新的线性表示方法——趋势变化点线性表示法。趋势是指时间序列的运行方式,趋势变化点是指在该点之前和该点之后时间序列的运行趋势不同,本文提出的趋势变化点线性表示方法不仅可以很好的消除噪声干扰,而且能够有效的发现单调序列关键趋势变化点。本文研究了已有的时间序列相似性度量的各种算法,分析总结了基于点距离匹配算法在时间轴伸缩方面的缺陷。针对该类算法的主要问题,本文借鉴“模式距离”度量算法的思想,提出了“趋势模式”的概念,并在相似性度量条件中加入了时间跨度比重约束,提出了基于趋势变化点的趋势模式距离度量算法来计算时间序列的相似性,该算法不仅很好的解决了时间轴问题上的缺陷,而且还能够预测时间序列未来的运行趋势,有效解决了已有相似性度量算法的问题。农业产量预报工作是更好地制定农业政策、发展农业生产和农产品贸易的重要基础工作。本文将上述研究成果应用到农产品产量时间序列中,实验一的结果验证了趋势变化点线性表示方法能够更加有效的发现序列中的趋势变化,为后续的时间序列操作提供了高质量的序列表示；实验二的结果验证了趋势模式距离度量算法在应用中具有较高的度量准确性,以及将预测融于度量算法是可行的。