生产制造业是国民经济的支柱性产业,我国工业生产制造逐渐向数字化转型,工业生产过程中会产生大量时间序列数据,对这些工业时序数据进行分析和挖掘可以有效保障生产安全、促进工业决策、提高生产效能。但是工业时序数据存在维度高、动态性强、噪声干扰多、非平稳的特点,导致现有时序挖掘方法失效。本文聚焦于工业时序数据挖掘中的多元时序预测及异常检测问题研究,旨在通过准确多元时序数据预测方法及有效多元时序数据异常检测方法,及时发现工业生产异常情况。针对现有时序预测方法大多聚焦于时间依赖关系,没有考虑时空依赖关系,导致工业多元时序数据预测误差大的问题,融合图神经网络和Transformer网络建立多元时序时空依赖模型,提出考虑时空依赖关系的多元时序预测方法。在图神经网络层,提出一种考虑影响滞后关系的相关性算法用于构建图结构,作为图神经网络层输入,提升图神经网络对空间依赖关系的聚合能力。在Transformer输入层,针对Transformer模型对时间局部信息不敏感的问题,在计算注意力时引入多核卷积,增强时间序列上下文时间依赖关系。在Transformer解码层,针对多步预测任务下Transformer解码器逐步预测导致的累积误差传播问题,基于生成式推理的堆叠解码器实现多步直接预测。实验表明,本文提出的多元时序预测方法,在工业生产过程两个数据集上,单步预测和多步预测的对称平均绝对百分比误差分别为7.83%、12.17%,预测误差均小于对比多元时序预测方法。针对现有多元时序异常检测方法仅关注时间异常或空间异常,导致在工业异常检测中出现漏报率高的问题,结合本文提出的预测方法,提出一种基于预测和残差阈值的多元时序异常检测方法,以正常模式下多元时序时空依赖关系作为异常评估基础,提取预测残差特征,降低异常检测的漏报率。在数据预处理方面,针对工业时序数据不纯净问题,设计基于谱残差的时序数据清洗方法,降低预测模型拟合异常模式导致的误报。在异常阈值设定方面,基于极值理论自动设定阈值,增强方法兼容性;针对预测残差阈值异常检测方法所存在部分漏报问题,提出一种基于预测和波动相关性的改进方法,提取波动相关性特征,关注异常事件引起的多元时间序列上下文波动变化。融合预测残差特征和波动相关性特征,联合判断工业生产过程中时空异常事件,进一步降低异常检测的漏报率。实验表明,本文提出两种多元时序异常检测方法,在工业生产过程两个数据集上,异常检测效果均高于对比方法,其中基于预测和波动相关性的改进方法,平均误报率为9.29%,平均漏报率为18.93%。基于上述研究方法,设计并实现了工业生产过程异常检测平台,为工业生产监控系统提供异常检测服务。平台实现了数据收集、数据清洗、传感器及执行器关系图构建、数据预测、异常检测功能。平台通过接入“智能烘干机过程监控系统”及“工业设备健康运行管理系统”测试表明,工业生产过程异常检测平台的告警精确率为91.83%、异常查全率为85.71%,验证了平台功能的有效性和实用性。