随着产生数据的系统越来越庞大,其结构越来越复杂,难以通过单独的某个参数对系统整体状态进行掌握。而其产生的数据多具有时序特性,并因为多层次、多部件之间,以及多种作用机理之间的相互关联影响呈现出“多元”特性。这些时序数据中包含的信息可以反应出系统整体的状态。由此,怎样从大量的多元时间序列中挖掘出更多有价值的信息,成为数据挖掘领域的重要研究问题。传统的数据挖掘关注更多的是时序数据中出现次数较多的频繁模式,对于极少出现的模式或者说异常模式选择忽略或是作为噪声滤除。然而,这些极少出现的模式包含的信息往往更加重要,为进行更进一步的深度数据挖掘提供重要指导和支撑,甚至能够为我们带来启发式的思维影响。基于此,本文主要关注时间序列的异常发现算法,旨在通过时间序列的趋势变化信息、特征表示信息等挖掘出隐藏在海量多元时间序列中的异常信息。并在此基础上提出了具有实际意义和价值的基于非均匀分段趋势信息形式化的多元时间序列异常检测方法。本文主要工作如下:首先根据本文研究的方向和内容对多元时间序列数据在异常检测以及特征表示中面临的难点问题进行了分析。为了更全面的进行问题说明,在分析的基础上,对几种表示方法进行了详细的讲解,主要是对分段线性表示以及符号化表示方法的区别与联系、优势和缺点进行了介绍。为了实现对时间序列局部趋势信息的表示,结合趋势信息的特点,引入分段最值进行非均匀分段,通过拟合斜率对趋势信息进行表示,将拟合斜率进行符号化映射表示。由此,提出了一种基于非均匀分段趋势信息形式化表示方法,并对距离度量方式进行了定义和说明,为后续多元时间序列的异常挖掘工作提供了有力支撑。其次,分析了传统的基于符号化表示的时间序列异常检测算法存在的问题,针对此问题,对算法进行了改进。在降维以及特征表示阶段,将分段的趋势信息作为多元时间序列特征表示的重点,为了避免算法在异常检测过程中进行较多的冗余计算,利用聚类算法对多元时间序列的趋势符号信息特征表示结果进行聚类优化,实现冗余剪枝,从数据处理的源头降低算法检测时的复杂度,减少冗余数据对检测结果和效率的影响。此外,趋势信息的表示可以更好的区分不同特征表示,有利于提高算法检测结果的准确性。最后,将本文中研究的算法应用到不同的时间序列数据集中进行仿真实验,算法表现出了理想的检测效果。通过对比分析,相比于其它基于符号化表示的多元时间序列异常检测算法,经过改进的算法不仅可以有效的检测出异常出现的位置,同时在检测效率方面也有较大的提升。