多变量时间序列聚类在复杂系统状态识别、无人机航行状态分析、运行模式发现和异常演化监测中具有重要意义。针对现有动态时间规整类模糊聚类方法在噪声敏感性、表示单一性以及结构信息刻画不足等方面的局限，本文提出一种基于掩码残差融合动态时间规整的多变量时间序列模糊聚类模型（MRF-DTW）。该模型构建原始动态时间规整、掩码残差去噪增强和结构原型三类互补表示，利用掩码残差模块抑制随机扰动并保留关键局部变化，同时引入结构原型表示提取序列局部形态与全局轮廓特征；在此基础上，通过基于聚类损失的自适应融合机制动态调节不同表示对聚类任务的贡献。在9个公开多变量时间序列数据集上的实验结果表明，MRF-DTW在6个数据集上取得最优RI，平均RI达到0.860，整体优于MFC-DTW、CSMVC、CD、TCK、PDC和BMVC等对比方法。统一消融实验进一步验证了掩码残差去噪、结构原型表示和自适应融合机制在提升聚类性能方面的有效性。

多变量时间序列,模糊聚类,动态时间规整,掩码残差去噪,结构原型,自适应融合