时间序列是常见的数据形式,例如股票价格趋势、用电数据、病人的指标数据等。时间序列聚类研究是数据挖掘中重要组成部分,备受人们关注。现实场景下的时间序列数据具有高维、高频噪声等特点,因此,无监督的时间序列聚类研究极具挑战性。现有的时间序列聚类算法大致可以分为两类:基于原始数据的方法和基于特征的方法。基于原始数据的方法思想是在原始的输入数据上,针对不同的数据场景,根据特定领域的先验知识,设计出相似性衡量方法。但是时间序列在多数场景下是高维数据,在高维空间中数据非常分散,基于原始数据的聚类方法准确性不足,且扩展性差。基于特征的方法主要是先对原始的时间序列进行降维及特征提取,得到低维易分类的特征,然后运用聚类方法对特征进行分类。此类方法提取的特征往往是线性的,但是非线性是时间序列不可忽略的重要特点。深度学习能学习出高维数据到低维特征的映射,提取出特征信息。因此,出现了基于深度学习的时间序列聚类研究方法。但是,已有的基于深度学习的时间序列聚类方法,未充分提取出时间序列的非线性特征,对噪声数据比较敏感,很容易产生过拟合。而且,时间序列中不同时间点的数据对于特征的权重是不同的。因此,本文针对基于深度学习方法的时间序列聚类进行了研究,主要工作如下:（1）针对基于深度自编码器模型的时间序列聚类方法中采用的深度自编码器容易受到噪声影响的问题,本文提出了基于降噪自编码器的时间序列聚类模型（Time Series Clustering Based On Denoise Encoder,DTSC）,DTSC采用降噪自编码器,在网络的输入中加入噪声,从而使得编码获得的特征更具鲁棒性。而且引入非线性函数Gelu,以提取出时间序列的非线性特征,通过在公开时序数据集UCR上的实验结果验证了 DTSC模型的有效性。（2）进一步,针对深度学习方法提取时序特征时存在的注意力分散的问题,本章将注意力机制加入到深度自编码器的编码器中,提出了基于元素注意力机制与降噪自编码器的时间序列聚类模型（Time Series Based On Denoise And Cell Attention,DATC）使得提取出的低维特征更容易聚类,提高了聚类准确性。在公开时序数据集UCR上的实验结果验证了 DATC模型的有效性。（3）基于以上研究成果,本文将提出的DATC模型应用到肾脏病患者的聚类分析中。通过DATC模型,将患者时序数据以无监督的方式聚类成不同的类别,然后分析出每个类别之间的差异性特征,以及同一类别中所有患者存在的隐藏特征,以供临床医学参考。