随着工业物联网的快速发展,异常检测技术被广泛应用于社区行为检测、金融诈骗、健康风险管理等不同领域,已逐渐成为了工业领域的研究热点。异常独立于系统运行的正常模式,一旦出现,往往会带来不可磨灭的负面影响。异常检测需要通过大量的数据分析推断系统的正常运行状态,而有标签数据获得的成本较高,不适用于大规模的异常检测场景中。传统的无监督异常检测方法精度相对较低,模型规模较大,而随着数据维度的急剧增长,计算异常得分和定位异常的难度也随之增大,导致其并不能够应用于资源受限的场景中。针对以上问题,本文从提升异常检测精度,降低模型规模和异常定位等几个方面展开研究,并通过实际应用验证了方法的可行性。主要研究内容如下:（1）本文围绕着深度学习模型和多元时序数据处理相关领域,实现无监督异常检测任务。借助于时序卷积神经网络可以并行处理多元时序数据,提高计算效率的特点,结合深度贝叶斯网络,设计了一种高效、高精准度的无监督异常检测模型（LUAD）。本文利用四种多元时序数据无监督异常检测模型在三种数据集上做了对比实验,结果显示,平均F1得分达到了0.8811,相比于其他最先进的方法相比提高了0.71%～1.45%,在模型规模上减少了24倍,训练时间上缩短了1.5倍。（2）本文提出了一种用于多元时序数据分析的自适应异常推断模型,目的是提高多元时序数据异常检测实用性和异常定位问题。其中的得分感知机制在计算多元数据异常得分上发挥了较大作用;POT值模型能够模拟超过阈值的尾部分布,自适应的选择阈值;使用了点调整方法模拟现实中异常产生的连续性。在实验部分,通过参数分析和消融实验展示了自适应模型各组成部分对检测结果的影响程度,结果显示,通过阈值自适应方法获得的1得分仅比最优1得分低了0.0137～0.0757,而在实用性上则有了较大的提升。（3）针对服务器集群异常检测应用场景,结合LUAD模型和自适应异常推断模型设计了无监督异常检测系统。在实现系统后,经过试运行表明,该系统表现良好,能够准确的收集各项性能指标,对数据分析检测,报告异常。