时间序列数据中的异常数据蕴含了重要信息,如心电数据中异常模式对应心脏疾病,信用卡异常交易数据对应欺诈事件等,因此对时间序列数据进行异常检测具有重要意义。目前基于深度学习的异常检测算法在训练时只关注正常数据的深度特征提取,当正常样本与异常样本比较相近时,提取的特征不能有效区分正常和异常。而在实际应用场景中其实部分异常数据是已知的,但现有的大多数异常检测算法并没有考虑利用这些先验知识,忽略了异常数据对模型的指导和反馈。针对上述问题,本文面向部分异常已知场景下的时间序列数据异常检测算法展开研究,利用这些已标记的异常数据提高异常检测算法性能。时序数据也属于高维数据,流形理论中提到高维数据往往在原始空间存在冗余,但在低维空间存在着蕴含其本质结构特征的流形,该流形可以通过模型提取低维特征去近似得到。而生成模型在高维数据的特征提取方面有较好的效果,且其产生的重构误差能用于衡量数据的异常程度。为了使生成模型产生高区分度的重构误差作为异常得分,本文基于流形理论假设,即异常数据在正常数据对应的流形之外,提出了基于生成模型和流形约束的异常检测算法。该算法在对抗自编码器的原始空间中添加判别器构造出双重对抗网络,更好地实现了潜在空间的流形学习和重构生成;并将部分已知异常数据的潜在向量约束到正常数据对应潜在向量的流形上,引导模型生成类似于正常样本的重构样本,获得高区分度的重构误差。多个现实场景数据集的实验结果表明,该算法能产生高区分度的重构误差用于异常检测,在大多数数据集上比其他算法表现更好。基于生成模型的方法完成重构需要十分丰富而充足的特征,但对于异常检测而言这些特征可能包含冗余信息,因为只需那些能区分正常和异常数据的关键特征,也能获得高区分度的异常得分。相比生成式学习,对比学习不关注繁琐的细节,只在特征空间中学习区分不同类别数据,模型优化也更加简单。为了得到具有高区分度的特征,本文进一步提出了基于对比学习和互信息约束的异常检测算法。该算法基于利用正常数据和部分已知异常数据设计合理的正负样本对,并从互信息角度设计了适用于异常检测的新型判别网络及对比损失函数,用于引导特征提取网络提取具有高区分性的特征,从而得到高区分度的异常得分。多个现实场景数据集的实验结果表明,该算法能为异常检测提取有效特征并输出高区分度的异常得分,异常检测结果优于其他算法。