时间序列作为一种极具代表性的数据类型，具有数据元素按照时间节点先后顺序排列的特点，它们广泛存在于天文、气象、金融、医学、农业以及工业等各个领域。时间序列异常检测研究主要致力于从海量的，物理属性丰富的，表现形式多样的，内部关联结构复杂的，含有各种形式噪声的时间序列中挖掘出隐含在其中由不同产生机制导致的，具有内在差异的数据（异常）。　　现有的时间序列异常检测相关研究主要集中于检测算法的设计与优化领域。高水平的数据表达是异常检测的基础，而目前对于数据表达研究探索较少。本文以时间序列异常检测为研究背景，旨在通过结合已有的时间序列表示方法研究成果，建立一个针对时间序列特殊属性和统计模型相结合的模式表达方法，实现基于该表示形式下时间序列数据的相似性度量分析，从而提升时间序列异常检测算法的检测准确性。　　基于时间序列值域空间分块化思想，本文提出了一种分段聚合模式表示（Piecewise Aggregate Pattern Representation，PAPR）方法，该方法克服了现有基于时域表示方法（如：Piecewise Aggregate Approximation, PAA）在值域空间中单一化描述形式而导致数据表达信息过于简约的不足，对时间序列值域空间进行分块化处理，实现了数据的多结构、多层次、抽象化模式描述形式。其次，本文基于数据粒度描述思想，构建一个时间序列数据粒化与PAPR表示方法相结合的粒度分段聚合模式表示方法（Granularity-Piecewise Aggregate Pattern Representation，G-PAPR），该G-PAPR表示方法对原数据的值域空间边界进行分析，使表示形式更接近数据本质，在保证时间序列数据降维效果的条件下，进一步提升了时间序列表示结果在异常检测应用中的可靠性和稳定性。　　最后，本文基于PAPR和G-PAPR模式表示方法，设计了多变量组合式的相似性度量方式，实现了双表示模式之间的相似性计算。在此基础上，本文进一步提出基于PAPR和G-PAPR表示下的模式串相似性度量方法。根据相似性度量结果，本文引入了随机游走（Random Walk, RW）模式作为分类器，实现了基于PAPR和G-PAPR表示形式下的时间序列异常检测任务。同时，本文提出了基于PAPR和G-PAPR表示方法下的模式串的最大相似度搜索（Max Similarity Search，MSS）异常检测算法。实验结果表明：上述G-PAPR表示方法应用于RW模型或MSS算法都能够有效而准确地检测出时间序列数据的92％以上的异常情况，能够很好地避免异常虚警和漏报情况。