该文的研究目标是从时间序列集中挖掘偏离程度高的序列集-Top-k例外集.首先,针对现有例外模式定义存在的不足,该文提出了一种新的例外模式度量方法.例外模式具有全局性和局部性,对例外模式度量时应在充分考虑全局性的前提下,再考虑例外的局部性.引入时间序列例外评价因子OF（Outlier Factor）来度量时间序列的例外程度.例外评价因子由两部分构成：对象所属类的例外度COF和对象的局部例外度LOF.一个对象的OF越高,例外模式越可靠.其次,计算时间序列例外评价因子时涉及时间序列间的距离计算,而时间序列间的距离计算是时间序列挖掘问题的核心问题之一.第三,提出基于OF的时间序列Top-K例外模式挖掘算法,主要思想是：首先,对基于线性形态表示的时间序列进行聚类处理,并计算类例外度COF;然后根据COF选取可能是Top-k例外的候选对象计算其LOF;最后,根据例外评价因子OF,输出Top-k例外集.最后,实验验证该文提出算法的正确性、有效性.