近年来,随着信息技术的飞速发展,各类机器与设备的高效化和智能化程度不断提高,人们的日常生活和工作中有越来越多的时间序列数据被采集下来。为了有效的挖掘和分析出这些数据隐藏的信息和潜在的价值,众多学者提出了许多针对性的方法。但是由于时间序列数据本身具有维度高和数据量大等特点,直接对其进行分析和挖掘的计算复杂度较高,效率较低,所以时间序列数据通常需要进行降维处理。传统降维方法难以有效捕捉时序数据的形态特征。为解决这一问题,本文提出一种融合波动率的时间序列符号聚合近似方法,并将其应用于时序数据分类和故障诊断问题中,主要研究内容如下:(1)融合波动率的时间序列符号聚合近似表示:本文在传统符号化方法的基础上定义波动率指标来同时量化时间序列的波动幅度和变化趋势信息,以此来弥补时间序列数据降维之后的信息丢失问题;然后用融合波动率的符号矢量近似刻画子序列。(2)时间序列相似度计算与分类:在融合波动率的时间序列符号聚合近似的基础上给出一种新的时间序列距离度量方法。以此度量方法为基础,提出了时间序列的相似性计算和分类方法,并在20组UCR时间序列分类档案库中的数据集上进行了分类学习实验,验证所提方法的有效性。(3)时间序列符号聚合近似与故障诊断:在凯斯西储大学的轴承故障数据集上,结合CNN和LSTM的优越性,本文提出了轴承故障诊断模型。在融合波动率的时间序列符号聚合近似方法基础上,将原始时间序列转换为波动率序列和符号均值序列,然后把这两种序列分别依次对应输入到CNN模块和LSTM模块,以此来诊断轴承故障。结合UCR时间序列分类档案库和凯斯西储大学(CWRU)的滚动轴承故障诊断数据对所提的方案进行实验评估。从实验结果来看融合波动率的时间序列符号聚合近似方法在绝大部分数据集上获得了较传统符号聚合近似方法更好的分类准确率和时间效率。在故障诊断方面,使用融合波动率的时间序列符号聚合近似的改进方法对原始数据降维之后的诊断准确率虽然略有降低,但是时间效率却有很大的提高。