随着数据库应用的不断深化，越来越多的数据被贮存到了计算机中，但是数据库管理系统却没有提供有效的工具和方法来利用这些数据，因此充分利用数据进行决策支持成为当今最需要深入研究的领域。作为一种新的数据分析工具，数据挖掘的发展十分迅速。与传统的统计、总结方法相比，数据挖掘技术涉及到多个学科，汇集了人工智能、模式识别、数据库、机器学习以及管理信息系统等学科的成果。各种类型数据都可以作为数据挖掘的对象。时间序列在数据集中十分普遍，在社会生活中的各个领域广泛存在着大量的时间序列数据有待进一步的分析和处理。对时间序列进行数据挖掘已成为当前研究的焦点之一。当前对时间序列数据挖掘的研究大部分集中在相似性研究方面，针对模式发现和规则发现的研究内容比较少。 本文首先介绍了数据挖掘及相关概念，对目前的时序分析方法进行了分析，进一步论证了用数据挖掘方法研究时间序列问题的价值及可行性。由于时序数据模式可以看成是关联规则考虑时间因素后衍生出来的，故时间序列挖掘可以借鉴序列模式挖掘的方法，在考虑了数据之间的序列关系的前提下，对时序数据进行挖掘。重点对目前挖掘关联规则及聚类算法进行了分析，介绍了关联规则与聚类的相关知识，结合模糊理论，对模糊关联规则及聚类的知识进行总结。针对关联规则挖掘算法中规则的有效性，提出了有效率的概念，经实验证明可以较好地改进挖掘出的关联规则，从而证明了有效率的用处。针对模糊聚类算法中隶属度的归一性造成的孤立变量对聚类中心的隶属度的偏离的情况，在本论文中对隶属度进行了改进，并对模糊时间序列数据挖掘的算法进行了优化，实验说明能比原算法有更好的性能。 最后结合模糊关联规则和模糊聚类分析方法，将状态演化模式扩展到模糊演化序列中，为以后的研究做好了准备。