时间序列问题作为数据挖掘中的一类重要问题，其重要性表现在现实世界中大量数据的采集与时间相关，数据具有时间上的关联性。时间序列是指按时间顺序排列的一组有序序列。时间序列相似性问题是时间序列挖掘中的一个重要而基础的问题，为其他的挖掘手段提供必要的技术支持和手段，也经常作为其他挖掘问题的一个子程序，目前关于时间序列的相似性匹配问题的研究已相当成熟。但是，随着信息技术的发展和现实应用需求的不断扩大，在无线传感器网络、无线射频识别(RFID)网络、移动对象跟踪、气象雷达网络和隐私保护等应用中逐渐涌现出一类特殊的数据，即不确定性数据，并且这些不确定性数据也是按照时间顺序排列的一组序列，故形成了不确定性时间序列数据。　　 由于现实世界中传感器采集到的数据往往是不确定的，加之现今流行的时间序列相似性匹配方法均是建立在确定性数据基础之上的，而且都没有考虑数据的不确定性，因此，现有的时间序列的相似性匹配方法不适用于这些领域。目前，关于不确定性时间序列的研究才刚刚起步，有关不确定性时间序列的相似性匹配问题还未见有效的解决方法。但在众多学者的努力之下，也出现了一些优秀的不确定性时间序列的相似性查询方法，每种方法都是在具体应用的背景下提出来，并没有一个公认的高效的匹配方法。针对此问题，将不确定性时间序列做预处理，把它分为横向时间维和纵向概率维，首先把给定的不确定时间序列用HAAR小波变换进行压缩变换，在此基础上，对得到的不确定性时间序列概率维作纵向处理，提出一种选代表方法，即采用概率最大法、均值法等选出一条确定的时间序列。通过这两种预处理后，对得到的确定性时间序列进行降维和索引，根据查询序列和数据库中的时间序列中的各自的不确定性进行组合，分别提出对应组合的相似性匹配算法。　　 最后，对直接执行选代表和经过小波压缩后再执行选代表两种方式进行了相关的实验，通过实验证明两种处理算法的可用性，得出两种结果的查全率和查准率，并对不同的数据量的查询效率进行了对比，实验结果表明，后一种处理方式效率较高。