本发明涉及一种针对创面微环境数据的多元时间序列数据增强方法，属于医疗领域和机器学习技术领域。基于动态时间规整算法进行样本间的相似性度量，通过随机选择一个样本作为基准样本，搜索与基准样本最近邻的K个同类别样本，对所有选择的样本相对于基准样本进行动态时间规整，并对规整后的样本集进行加权平均，将均值序列数据作为一个新的合成样本。通过随机权重和添加噪声的方式提高数据多样性，以弥补数据量不足时所带来的模型过拟合和泛化能力差的问题，有效提高各种分类器在创面微环境数据集上的预测效果。