随着互联网的迅速发展，网络安全已成为人们最关心的问题之一，网络流量异常检测系统是继防火墙之后最有效的防护手段。实时、准确判定流量异常是网络检测的重点。由于对单条链路进行流量异常检测不能检测类似蠕虫病毒的网络攻击,所以必须对全网网络流量进行异常检测，以达到更好的检测效果。然而全网网络流量数据大,维数高，通常包括多个OD(Original-Destination)流，并且还有大量噪音。基于向量的异常检测方法不适用于处理维数较高的流量数据，将它们应用在全网网络流量异常检测上效果不佳。利用张量来表示高维网络流量数据，利用张量分析的方法对数据进行降维处理，能够有效降低异常检测的检测时间和算法的空间复杂度，基于张量分析的异常检测方法适用于高维网络流量数据的异常检测。本文首先研究了基于张量分析的网络异常检测技术，设计了基于标准分数的阈值检测机制，仿真结果证明基于张量分析的异常检测方法(HOSVD、HOOI)在误报率、漏报率以及检测时间方面性能优于基于向量的异常检测方法(PCA)。然后对高维网络流量数据添加相关信息后进行异常检测，仿真结果表明对于维度之间存在相关信息的数据基于张量分析的异常检测方法在误报率和漏报率方面性能不如基于向量的异常检测方法，但是检测时间方面性能优于基于向量的异常检测方法。最后在HOSVD算法基础上基于高维数据维度相关性引入了Cross-HOSVDs算法。然后将新方法Cross-HOSVDs应用于存在相关信息的高维网络流量数据的进行异常检测。根据基于标准分数的阈值检测机制，对比Cross-HOSVDs和HOSVD方法进行异常检测时的误报率和漏报率，仿真结果证明了新方法降低了误报率和漏报率。