随着计算机技术和数据库技术等的快速发展和广泛应用,各行业积累了大量的数据。现实中的数据往往是按照时间顺序排列的,由该类型数据构成的序列即为时间序列。重复出现的周期行为在时间序列中广泛存在,时间序列周期模式挖掘技术可以从海量的时间序列数据中提取隐含的知识及模式,充分利用已获得的大量时序数据实现知识的自动提取,为决策等提供依据。对其的挖掘仍是一大研究热点,挖掘的目的主要是获得数据中隐含的知识来进行决策。本文主要研究了基于卷积的时间序列部分周期模式挖掘算法,并将小波变换应用到时间序列部分周期模式挖掘中。本文首先概述了时间序列分析和周期模式挖掘的进展情况。其次介绍了本文的核心理论基础,包括:时间序列和周期模式的相关概念、卷积概念、小波变换和时间序列数据的重新描述。其次,文章详细介绍了基于卷积的部分周期模式挖掘算法,并通过仿真数据和实际数据来验证算法的有效性。再次,借助小波变换的压缩功能和降低噪声功能来挖掘时间序列中隐含的周期。最后总结本文并展望了未来的研究趋势。本文工作的主要创新点列举如下:提出了基于卷积的时间序列数据的部分周期模式挖掘算法,该算法首先将时间序列数据符号化离散化为符号序列,然后挖掘该符号序列中的周期模式。通过对人工生成的仿真符号序列(该序列随机引入了三种噪声)进行的仿真实验,分析结果,我们调整了算法的输出来缩短算法的运行时间,并使得输出的结果直观明了。提出了基于小波变换的时间序列部分周期模式挖掘算法,借助小波变换的压缩功能和降低噪声的功能来挖掘时间序列中隐含的周期。