近年来，随着计算机科学和信息技术的飞速发展，信息化时代已悄无声息地来临，人们在享受着信息化便捷服务的同时也积累了极其庞大的数据，广泛存在于经济、商业、工农业、科学研究等各个领域。如何从科学的角度合理的加工和处理这些海量数据、挖掘出这些数据背后隐藏的某种客观规律和人类所需的知识，成为了当前众多研究学者最关心的问题。作为数据挖掘的一个重要分支，时间序列的异常检测近几年发展迅猛，它主要将异常检测和时间序列联系起来，以从复杂的、海量的、维数高的时间序列数据中发现与其它数据有显著区别的样本（异常）为目的。　　本课题以时间序列的异常检测及其应用为主题，研究了当前主流的时间序列数据的模式表示、相似性度量和异常检测等，之后在此基础上设计了新的时间序列模式异常检测算法，最后指出了本课题有待深入探讨的进一步工作。本课题的主要研究成果和内容简单介绍如下：　　本课题首先结合现有的时间序列模式表示的研究成果，从时间序列的幅值结构出发，加入统计特征信息，设计了基于区间分段聚合近似的模式表示方法（Interval Piecewise Aggregate Approximation，IPAA），并在此基础上结合动态时间弯曲距离度量特征序列之间的相似性，应用到时间序列异常检测算法上，提出基于区间分段聚合近似的时间序列异常检测算法（ Interval Piecewise Aggregate Approximation based Dynamic Time Warping，IPAA-DTW）。Ma-data数据和真实数据的实验结果表明：相比PAA-DTW算法，该算法不仅准确检测出时间序列的异常模式，而且更好的避免出现虚警以及漏报情况。　　其次，通过对基于k-近邻异常检测算法的研究，将其改进后应用到时间序列的模式异常检测中，设计一种基于网格聚合近似的时间序列异常检测算法（Grid Aggregate Approximation based Local Outlier Factor，GAA-LOF），该算法利用基于网格聚合近似的模式表示方法（Grid Aggregate Approximation，GAA）从序列的时间属性和幅值结构特性出发对原始时间序列进行降维，并采用时间序列的局部异常因子对序列模式的异常程度进行评价。实验证明，所构建的算法能准确检测出序列中的异常模式，且有较高的分辨异常的能力。与PAA-LOF和IPAA-LOF算法相比，该算法能更准确的检测出模式异常，且异常检测准确率有了明显的提高。