金融市场是一个复杂系统,积累有大量的历史数据,并且,这些数据还在以更快的速度增长.在这些海量数据中隐含着有用的信息.数据挖掘是一门新兴的交叉性学科,研究如何从大量历史数据中发现隐含的、有价值的知识.将数据挖掘技术引入金融信息处理,具有重要的理论意义和实用价值.该文的研究内容大体分为三个部分:相似子序列的度量、同质子序列的符号化和规则提取.该文重点研究了相似子序列的度量问题,提出了一种面向金融时间序列的相似度量模型——RCR模型,根据此模型进行相似子序列的判定和相似度的计算.设计了以此模型为依据的相似性搜索算法.在实际的股票数据上进行的搜索实验显示了此模型具有良好的相似子序列识别能力.在同质子序列的符号化研究中,针对如何将数量庞大的子序列按照形态相似性进行归一化的问题,设计了两阶段聚类算法,分别从涨跌性质和涨跌幅度上扫描子序列集,以RCR模型中的相似度计算方法作为子序列间相似程度的评判依据.在规则提取部分对子序列符号化后得到的类标号序列进行了研究,设计了一种称为规则树的数据结构来保存类标号序列中存在的满足用户给定条件的所有规则,给出了规则树生成算法以及一棵规则树实例的生成过程.最后,通过访问这棵规则树得到了所有的规则.