时间序列是按照时间先后顺序排列的数据序列,其在语音识别、天文、医学、机器学习、模式识别等诸多领域有着广泛的实际应用。在时间序列处理与分析中,时间序列相似性计算是时间序列研究的基础性问题。针对传统的确定时间序列相似性计算,国内外学者已经提出很多计算方法,例如:Minkowski距离、编辑距离、DTW距离等等。由于现实应用中存在着大规模的不确定性,不确定时间序列的建模与处理近年来受到学术界和工业界的广泛重视。与确定时间序列不同,不确定时间序列相似性计算方法的研究当前还处于起步阶段,现有的不确定时间序列相似性计算方法主要包括PROUD距离、MUNISH距离和DUST距离等。本文针对不确定时间序列相似性计算方法展开研究,解决大规模离散型不确定时间序列数据相似性计算问题以及解决连续型不确定时间序列数据相似性计算问题。首先,引入离散型期望距离的概念,用以表示离散型不确定时间序列。借鉴传统的确定性时间序列相似性计算方法,同时引入适用于大规模数据计算的MapReduce框架,提出一种大规模离散型不确定时间序列数据相似性计算方法MR-FastDTW算法。该算法在对不确定时间序列进行相似性计算时,把执行递归返回阶段的计算矩阵分为多个子矩阵,用MapReduce计算框架对子矩阵进行计算,最后汇总子矩阵的路径,得出合并路径。其次,提出适用于连续型不确定时间序列相似性计算的CRVEV算法,用以解决连续型不确定时间序列相似性计算问题。根据误差分布函数的不同,给出了适用于不同分布下的具体计算公式。为了加快该算法执行效率,给出了对应的加速计算方法。实验表明,本文提出的MR-FastDTW算法,具有良好的计算精确度和较低的时间复杂性;本文提出的CRV-EV算法,具有良好的精确度,且加速方法可减少时间消耗。