随着高铁规模的发展,现应用的异常检测方法已经不能满足牵引系统的安全需求。近几年,深度学习逐渐应用于异常检测任务,不仅能动态地进行预防,而且不需要人工参与,同时在处理海量数据时比传统机器学习呈现出更明显的优势。因此,本文将研究如何使用深度学习技术来提高牵引系统异常检测的性能。此外,由于异常数据量不足,现有检测方法无法提供异常类别信息,导致无法快速定位异常源头。本文工作主要如下:首先,本文提出了一种基于深度自编码的多变量时间序列异常检测方法,其中使用多尺度特征关联矩阵来描述当前系统的状态,并基于该矩阵设计了一种异常判别规则;并且改进了深度自动编码结构,其中采用卷积神经网络提取多尺度特征关联矩阵的空间信息,并引入改进的跳跃连接层优化了自编码器结构,旨在自适应的将编码器网络中的低层次特征信息传入解码器中,帮助更好地重建多尺度特征关联矩阵。然后,针对异常检测无法提供异常类别与异常分类时数据量不足的问题,提出一种基于半监督的分类方法,其采用了半监督聚类进行异常分类,并且在聚类方法中使用DTW距离和DBA平均序列优化了时间序列聚类的效果。最后,在高铁牵引数据集和网络公开数据集上进行模型评估。实验表明,所提出的异常检测方法及异常分类方法能够在一定程度上提升牵引系统异常检测和分类的性能。