时间事件序列数据是由一系列事件按照时间顺序组织在一起的数据集合,可以记录现实世界中人类或其它实体的活动,如手机操作记录、网页点击记录和通信交流记录等。时间事件序列数据分析旨在发现各类实体的活动模式,比如周期性模式、频繁模式、相似模式以及异常现象等。许多机器学习和数据挖掘方法被用于自动化地挖掘实体的活动模式。但在一些应用场景中,自动化方法会割裂人、系统以及数据的有机联系,用户难以理解或难以信任这些自动化方法的模式挖掘结果。可视化技术将时间事件序列数据以图形图像的方式呈现出来,借助人类的视觉感知能力,并结合自动化方法和交互手段,帮助人们交互式探索实体的活动模式。本论文在综述了已有研究的基础上,以时间事件序列数据中的时间维度、事件维度和实体维度为研究角度;按照从单一事件到多种事件,从单一实体到多个实体,从可视化呈现到交互分析的研究思路,分别研究了多实体单事件的时间事件序列可视化方法、单实体多事件的时间事件序列交互分析方法、以及多实体多事件的时间事件序列交互分析方法,具体内容如下:（1）提出了一种基于边采样的多类蓝噪声采样算法,能有效提高大规模序列视图的整体可读性。大规模序列视图是一种常用来可视化大量实体间的行为和关系在时间维度上动态变化的可视化技术。但随着数据规模的增加,该视图会因边重叠问题,导致其整体可读性变差,从而引起视觉混淆。本文提出了一种基于边采样的多类蓝噪声采样算法,该算法重新定义了传统多类蓝噪声采样中的采样距离和冲突检测过程,并使用分区采样策略,解决了蒙特卡洛边采样中存在的不稳定性、不平衡性和易丢失离群样本的三个缺陷;能有效缓解大规模序列视图用于可视化大量时间事件序列数据时产生的视觉混淆问题,提高大规模序列视图的可读性。（2）提出了一种探索时间事件序列频繁模式的交互分析方法,能有效分析事件在时序空间和关系空间中的特征。在长时间多事件序列中可能存在一些有趣的频繁模式,它们能够反映事件之间的关联模式和因果关系,帮助概括事件维度在时间维度上的动态变化模式。本文以智能手机用户的手机操作行为序列为背景,提出了一种时间事件序列频繁模式交互分析方法,该方法通过使用信息熵和基于Apriori算法的序列模式挖掘算法,分别度量事件频繁发生的时序随机性和关联性。同时构建和优化了一个可视分析系统,用于展示和交互式探索事件在时序空间和关系空间中的特征,辅助频繁模式分析结果的展示和事件关联性具体含义的解释。（3）提出了一种识别和分析相似时间事件序列的交互分析方法,能有效识别相似序列,从多层次、多粒度的角度分析相似序列。该方法通过提取复合事件来概括多个原始事件,并使用基于复合事件的原始时间事件序列简化方法,用来减少事件序列的多样性和概括事件序列的发展模式。同时构建了一个可视分析系统,用于展示和交互式探索各序列分组的关键发展模式和特征,辅助各序列分组的普遍特征探索和不同序列分组间的差异分析的结果展示和具体含义的解释。图51幅,表10个,参考文献180篇