时间序列作为一种重要的数据形式,广泛存在于社会生产的各个领域,形成规模庞大的时间序列数据库,真实地记录了应用系统在各个时刻的重要信息。为了充分利用这些历史时间序列数据,从大型数据库中寻找隐藏的知识,本学位论文对面向相似性的时间序列聚类方法进行了细致的研究。由于时间序列数据通常具有数值范围非有穷甚至离散、采样速度不恒定、干扰噪声形式多样等问题,因此寻求某种高效的数据聚类算法是解决时间序列数据挖掘问题的关键。本文分析比较了现有的基于K-均值、模糊C-均值、动态时间规整及自组织映射网络的聚类算法,并通过实验重点分析了自组织映射算法的局限性:静态的结构以及无法展示数据的内在层次关系。根据对大量时间序列数据进行探索性分析的要求,提出了一种基于增长型分层自组织映射的时间序列聚类算法。采用了一种基于上层神经元权向量的采样赋值方法对子网络神经元进行初始化,保留了数据的拓扑结构。仿真与实验结果证明,该聚类算法能够满足大量时间序列数据聚类分析的要求,能自动完成时间序列的聚类工作,并能根据输入数据的特征,动态地进行横向纵向增长,收敛速度快,聚类精度高;能展示数据内在的层次结构,从而实现对时间序列数据的探索性分析;具有良好的拓扑结构保持特性及优秀的可扩展性。