多元时序数据广泛存在于各行各业,人们通过部署传感器来获得反映系统特征的数据,并通过数据挖掘得到有用的结果。多元时序数据具有结构简单,可解释性强的优点,能直观地揭示数据间的时序关系。然而数据往往是海量且动态更新的,因此如何从中快速挖掘最新的序列模式是值得研究的重要问题。本文首先定义了多元时序数据上的状态转移模式（State Transition Pattern with Perioidc Wildcard Gaps,STAP）的增量挖掘问题。其次,在三支决策理论指导下,针对性地提出了一种准确、高效的三支增量学习方法（3IU-STAP）。然后,将经典关联规则改进为适合于STAP的时序关联规则,并给出了相应的挖掘算法。最后,设计并实现了一套包含STAP及其时序关联规则挖掘算法的快速原型系统。3IU-STAP（3-Incremental Update-STAP）算法根据原始数据、已有频繁STAP和增量数据构造出候选模式,利用阈值将候选模式划分为进正域、负域和边界域。正域中的模式可直接视为频繁模式并存储;负域中的模式被视为不频繁模式并抛弃;仅边界域中的候选模式需要延迟决策,即通过扫描数据集来判断其是否频繁。准确性方面,设计了增量数据补齐技术,通过该技术来获得候选模式的精确出现次数。效率方面,使用了向下封闭性质来控制候选模式数量,再结合三支决策模型,尽可能减少对数据的重复扫描,进一步节省了时间。高频序列虽然能反映数据中存在的一些潜在规律,但难以体现数据间的相互依存性和关联性。所以我们根据多元时序数据的特性,提出了基于状态转移模式的关联规则挖掘方法,并设计了合理的置信度计算公式。关联规则能更直观地揭示各个状态间的时序性,为用户和专家提供更丰富的决策信息。为体现关联规则挖掘的结果,在四个真实数据集上分别展示了 STAP频繁模式的挖掘结果和筛选关联规则后的可视化结果。同时对于3IU-STAP算法,也在四个真实数据集和两个人造数据集上设计实验讨论了增量算法的总体时间,增量时间,以及可能影响算法的相关因素。结果显示,与非增量方法相比,3IU-STAP算法可以在精确获得结果的同时显著提高时间性能。