当今时代随着大数据技术的不断发展，各种复杂网络无处不在。虽然新技术的发展给人类和社会带来了极大的便利，但是也在一定程度上加剧了社会的动荡和不安，因此如何更好的控制这些网络让其更好的为人类服务具有重要意义。然而大多情况下由于复杂系统的未知性和抽象性，复杂网络的拓扑结构往往是未知的。基于此问题，相关研究人员根据系统产生的多元时间序列数据，对复杂网络拓扑结构展开重构工作。
　　本文通过对目前现有的各种网络重构算法进行研究，在考虑复杂系统正常运行与异常运行的基础上，率先将复杂系统分为正常运行状态与异常运行状态两种情况，并分别进行分析。并在此基础上通过研究多元时间序列的网络重构算法，提出了基于斯皮尔曼相关系数的网络重构方法。主要工作和研究内容如下：
　　1.考虑到系统正常与异常运行两种状态，提出了一种适用于多元时间序列数据的异常检测算法（MOTCN-AE）。该算法首先将范数，范数差引入到滑动窗口技术，使用范数来捕捉时间窗内数据之间的时间相关性，范数差来捕两个时间窗口之间的相关性。随后利用基于统计学的时间序列特征提取方法，将原始时间序列进行特征丰富，并以此来提高检测的精度。最后结合深度学习中具有更好的记忆能力的时间卷积网络和自动编码器技术，提出了基于时间卷积网络的自动编码器（TCN-AE）。数据方面则使用网上公开的真实数据集（UAH-DriveSet,NAB）对模型进行校验，实验结果显示本文提出的方法要优于以往的算法。
　　2.提出了一种多元时间序列复杂网络构建方法（SCRN），在SCRN方法中选择现实世界中存在的实体作为网络的节点，通过计算节点间的斯皮尔曼相关系数来构建网络边的连接权重。数据方面本文选取了基因调控网络，股票网络以及火力发电系统中的锅炉传感器网络来进行实验，并成功构建了三个复杂网络模型。通过实验结果可知，本文提出的算法在大数据集上取得了不错的效果，并且本文成功将该算法应用于了制造业领域。
　　3.本文也在数据存储方面做了一定的尝试。在以往复杂网络的研究中，研究人员大多关注于对未知网络进行重构或者根据已有网络拓扑结构进行分析挖掘，而对于网络模型的存储，则没有一个统一的标准。通过综合分析几种常用的数据存储机制后，本文选用最近比较流行的图数据库进行模型存储，并成功将重构后的模型存储到了Neo4j数据库。