时间序列分析是知识发现和数据挖掘的重要内容,而时间序列所普遍具有的不确定性、高维性、动态性特征加大了数据挖掘的难度。云模型以处理不确定性问题为切入点,结合了随机性和模糊性。在时间序列分析方面,云模型还处于初步探索阶段,目前有3种基于云模型的时间序列表示方法:早期的云分段近似表示方法没有考虑梯度信息,忽略了观测值的变化趋势。近期的分段二维正态云表示（2D-NCR）引入了相邻点的梯度信息,能够直观有效地反映时间序列的数据分布和变化趋势,在时间序列分类实验中性能良好。三维分段云表示方法进一步引入了二阶梯度信息,并提出了重叠分区策略,改善了时间序列分类效果,但模型变得复杂,而且可变长的重叠区域使得符号化结果不易理解。本文工作主要是基于2D-NCR方法的框架,从自适应分段,相似度计算以及全面梯度信息等方面对其进行改进。主要研究成果如下:（1）指出了2D-NCR方法存在的问题:对于两个紧密相连而且包含关键信息的点,等长分割方法可能会切断它们之间的连接,导致信息丢失。提出了2D-ANCR方法,基于滑动窗口的分割思想,根据原始时间序列数据内部的特征对时间序列进行自适应分段。时间序列分类实验表明该方法能够有效降低分类错误率。（2）指出了基于2D-NCR相似性度量策略存在的两个问题:没有对计算过程中相似度为0的特殊情况进行合理处理,使得后续相似度的计算结果不稳定;只考虑了云模型的数字特征期望Ex和熵En的作用,欠缺考虑超熵He的作用。提出了2D-NCRWP时间序列相似性度量方法,该方法改进了2D-NCR的相似度计算公式,解决了相似度计算过程中0扩散问题。提出了2D-ISD时间序列相似性度量方法,该方法将综合形状相似度和距离相似度策略应用于时间序列相似度计算,并改进了距离相似度。实验结果表明这两种方法均能有效改善分类性能。（3）基于2D-NCR方法的框架,在不显著增加模型复杂度的情况下,提出了基于2D-ENCR的相似性度量策略。该方法采用全部梯度信息而不是一阶梯度信息去构建二维云模型的第二朵云,从而更全面地应用了时间序列的趋势信息。时间序列分类实验验证了该方法相对于现有云相似性度量策略具有更加优秀的分类效果。