本文基于趋势结构相似性研究了时间序列相似性度量及时间序列同构关系挖掘问题,主要研究成果如下:（1）分析了已有的时间序列相似性度量方法的两方面局限性,即时间序列相似性度量仅是通过将相似性度量问题转化为距离度量问题,不能反映时间序列结构相似性的本质,也没能综合考虑时间序列趋势的变化过程。针对上述问题,根据连续曲线分段间的距离度量方法,把离散的时间序列数据拟合为连续曲线,提出并论证了趋势基元同构的判定定理,为本文后续工作奠定了研究基础。（2）基于趋势基元同构判定定理,明确了同构子序列基本概念及同构子序列挖掘的思路,针对时间序列同构子序列发现问题,提出了基于趋势基元同构的同构子序列发现算法。针对相关参数对算法结果影响的实验分析验证了理论分析的正确性。（3）针对时间序列全序列趋势同构性度量问题,提出了基于最长同构子序列发现的时间序列趋势同构性度量基本思想,给出了两种基于最长同构子序列发现的时间序列趋势同构性度量算法,即基于谱聚类的趋势同构性度量和基于密度聚类的趋势同构性度量。实验分析表明,两种趋势同构性度量算法对时间序列的趋势同构性度量结果基本一致。（4）针对面向频繁同构趋势基元类的时态关联规则发现过程中最大频繁项集的挖掘问题,提出了一种基于O-Apriori的最大频繁同构趋势基元类集的挖掘算法。该算法只需扫描一次数据库,避免了Apriori算法对每个候选项集均需扫描一次数据库的问题。