随着大数据时代的到来,每时每刻在各行各业都有海量的数据产生,如何对这些海量数据进行分析、挖掘是一个关键的问题。异常检测是数据挖掘领域中的研究热点,它的目标是查找数据集中行为与预期有很大差异的对象,即异常点。异常检测技术在网络通信、金融风控、工业生产等领域安全方面均具有重要的作用。然而,在真实场景中采集到的数据往往含有大量噪声,这些噪声会使得异常检测模型无法学习到数据真实的正常模式,最终影响模型的准确性。为解决这一问题,本文深入研究了不同噪声场景下的鲁棒性的异常检测模型,以及异常检测结果的可解释性问题。本文的主要内容与创新点包括如下三个方面:第一,针对时间序列数据上的标签不可靠的问题,本文提出了一种基于多示例学习的多变量时间序列异常检测框架MILAD。该算法使用深度循环神经网络以捕获时序数据中的时间依赖性并提取判别表征,并利用多示例学习损失引导模型关注到正常数据上的标签噪声。最终在真实时序标签噪声数据集上的实验结果表明算法具备很好的异常检测能力,也能够实现提前预警,具有重大实践意义。第二,针对数据中存在大量噪声的数据不可靠问题,本文提出了一种基于密度估计的自监督异常检测算法。该算法使用数据密度作为自监督信息,针对正常分布和异常分布分别建模,通过贝叶斯公式计算异常分数。根据密度估计方法的不同,该算法可进一步分为基于全局密度估计的分布建模和基于密度同步学习的分布建模。最终结果表明基于密度估计的自监督异常检测能够取得具有竞争力的效果,同时结果相对稳定,解决了数据不可靠的问题。第三,针对目前研究中异常检测模型可解释性较差的问题,本文提出了一种基于尾端概率的异常检测结果解释方法。该方法基于Copula函数对数据的联合分布建模,计算样本在特定子空间中的尾端概率并作为子空间的异常分数,即COPOD-Z分数,进而找出异常分数最高的子空间,为异常检测结果赋能可解释性。最终结果表明基于COPOD-Z分数的得分-搜索方法能够对异常检测结果做出充分、合理的解释,同时在算法效果和运行时间上取得一个较好的平衡。