时间序列数据广泛存在于生活的各个领域,针对时间序列的相似度量算法是机器学习重要的研究内容,广泛应用于生物序列分析、离群点检测等场景。动态时间规整距离(Dynamic Time Warping,DTW)是一种重要的时间序列相似性度量算法,该算法具有较好的弹性和鲁棒性,但同时DTW存在病态对齐、算法时间复杂度高等问题,现有研究存在众多对DTW的改进算法,其中基于稀疏路径的DTW算法(Sparsified-Paths Search Space DTW,SPDTW)考虑限制对齐路径矩阵的搜索范围来减少距离度量过程的计算量,而基于局部加权的DTW算法(Locally Weighted DTW,LDTW)通过考虑时间序列之间的类别,解决了DTW算法中时序对齐平等对待实例特征而忽略其局部辨别特性问题,但是以上两种DTW改进算法都各自存在缺点。在进行理论分析和实验验证后,本文提出基于稀疏路径的局部加权DTW算法(Sparsified-Paths Search Space LDTW,SP-LDTW)。该算法在训练集迭代生成权值矩阵的过程中,根据序列的类别生成一个同类序列间和一个异类序列间的稀疏路径矩阵,在生成的稀疏路径上迭代权值矩阵;然后将生成的权值矩阵用于测试集的K近邻分类过程。将提出的算法在UCR数据集上进行仿真验证,SP-LDTW与LDTW算法在分类正确率上结果相同,但是SP-LDTW在生成权值矩阵的过程时间开销大幅低于LDTW算法,证明了SP-LDTW在减小时间消耗方面的有效性。为了进一步提升SP-LDTW算法的效率,在训练权值矩阵的过程中,探究不同阈值对生成稀疏路径矩阵的影响。基于阈值的SP-LDTW算法首先在训练集通过交叉验证法学习一个合适的阈值,然后将所选择的阈值应用于权值矩阵的训练以及后续的K近邻分类中。最后在UCR数据集上进行仿真验证,实验结果显示,基于阈值的SP-LDTW算法在生成权重矩阵的过程时间开销大幅低于SP-LDTW算法,部分数据集上阈值的SP-LDTW算法的K近邻分类正确率高于SP-LDTW算法。本文对DTW的改进算法进行研究分析,针对SPDTW和LDTW算法存在的缺陷进行改进,提出了SP-LDTW算法,经过实现验证,该算法相比于LDTW能够大幅减少生成权值矩阵的时间开销,同时在部分数据集上提升了K近邻分类的正确率。