时间序列是由一组具有固定时间间隔的实值型样本按照时间先后顺序组成的数据集合,广泛存在于各个领域。在时间序列中,当部分数据表现出超越预期的行为或模式时,这样的数据被称为异常数据。准确地识别异常数据,能够为后续任务提供有价值的信息。当前,随着时间序列数据日益庞大且复杂,数据中潜在的相关性和多种模式难以处理,导致现有的检测算法效果不理想。为解决上述问题,本文分别对单变量时间序列和多变量时间序列的异常检测方法进行创新改进,进一步提升了检测效果。本文的主要研究工作如下:（1）针对单变量时间序列中异常污染问题及多模式提取,提出了一种基于频谱残差局部平均和子空间重构的无监督单变量时间序列异常检测算法。该方法首先利用频谱残差局部平均技术对训练数据进行预处理,缓解训练集中的异常污染问题。之后,结合稀疏自编码（sparse autoencoder,SAE）和高斯混合模型（gaussian mixture model,GMM）,基于子空间重构策略提取复杂数据中的多种模式。在两个单变量时间序列数据集上的实验结果表明,所提出方法的检测效果比现有方法更加优越。（2）针对多变量时间序列的相关性表示以及多模式提取,提出了一种基于二维奇异值分解（two-dimensional singular value decomposition,2d SVD）和子空间重构的无监督多变量时间序列异常检测算法。该方法首先利用2d SVD作为数据表示方法来捕获多变量时间序列中的时序依赖和变量相关。之后,结合SAE和GMM基于子空间重构策略提取复杂数据中的多种模式。在六个多变量时间序列数据集上的实验结果表明,与现有的方法相比,所提出的方法具有更优的检测效果。