时间序列是从均匀的时间间隔和给定的采样率下测量收集的有序数据,在各个领域中广泛存在。现实中采集的时间序列大多是没有标签信息的样本数据,有标签信息的数据很难采集,而人工标记的成本往往十分巨大。时间序列聚类是在没有任何先验知识的情况下分析大量时间序列数据的有效方法,其目的是以某种方式将给定的数据集划分为一组不重叠的集群,从而揭示数据的底层结构。但由于时间序列高维,高冗余以及存在非线性结构等特点,将传统的聚类算法直接用于此类数据时往往无法取得满意的效果。合适的维数约简和相似性度量对聚类效果有重大影响,本文将分别从这两方面对单变量时间序列和多变量时间序列的聚类方法进行创新改进,从而进一步提升聚类性能。本文的主要研究工作如下:（1）针对现有大多数单变量时间序列聚类算法没有考虑数据集的局部结构,而数据集的局部结构对聚类性能有较大影响,提出一种基于局部线性嵌入（Locally Linear Embedding,LLE）和高斯混合模型（Gaussian Mixture Model,GMM）的单变量时间序列聚类算法。首先从保留数据集局部结构的角度,使用LLE将每个高维时间序列样本表示为其k近邻的线性组合,并在低维空间进行重构,在保持数据集局部几何结构的同时实现维数约简;然后使用GMM从概率分布的角度进行聚类分析。在36个单变量时间序列数据集上的实验结果表明,与已有方法相比,所提出的方法在单变量时间序列聚类上具有更优的聚类效果。（2）针对多变量时间序列存在时间和变量两个维度,以及传统主成分分析（Principal Component Analysis,PCA）方法在多变量时间序列数据表示上的局限性,提出一种基于二维奇异值分解（Two-Dimensional Singular Value Decomposition,2DSVD）和高斯混合模型的多变量时间序列聚类算法。首先计算多变量时间序列的行-行和列-列协方差矩阵的特征向量,从时间和变量两个维度提取特征矩阵;然后用GMM从概率分布角度对特征矩阵进行聚类。在13个多变量时间序列数据集上的实验结果表明,与已有方法相比,所提出的方法在多变量时间序列聚类上具有更优的聚类效果。