随着现代软件规模不断发展,复杂程度不断增大,如何保证软件系统可靠性和服务质量成为了软件运维过程中至关重要的一部分。日志记录着软件系统运行时各种状态和执行事件,通过分析日志数据可以帮助运维人员检测异常、定位问题。基于日志分析的异常检测致力于发现系统存在的异常行为,是保证系统服务质量,可靠性的重要方法。在异常检测过程中,日志解析将非结构化日志数据处理为结构化数据,为后续异常检测提供数据支持。日志解析的精度直接影响异常检测的性能表现。但随着日志类型变多,数量、增长速度变大,基于日志分析的异常检测存在如下挑战:（1）日志解析精度不高,稳定性不够,提供的结构化日志数据不完整,影响后续异常检测性能;（2）随着软件版本迭代,日志内容会发生改变,新的日志类型会出现,一些异常检测模型无法适用新数据的出现,出现异常检测性能下降的问题。针对以上存在的问题与挑战,本文旨在提出一种自动、高效的软件系统异常检测模型,其主要贡献如下:（1）针对日志解析精度不高,稳定性不够的情况,本文采用掩码语言模型（Mask Langeage Model,MLM）和基于注意力机制的BERT模型构建日志解析方法,准确地将日志消息中的固定部分和可变部分进行分离,并提取日志事件模板。在实验中验证了日志解析方法具有良好的通用性。（2）针对日志语句存在内容变化,新日志类型出现的情况,本文首先使用基于BERT语义表征模型对日志事件进行编码提取其语义特征。然后采用双向门控神经网络（Bi-directional Gate Recurrent Unit,Bi-GRU）和注意力机制构建异常检测模型,增强异常检测方法的鲁棒性,缓解日志内容变化,新日志出现对异常检测性能的负面影响。（3）为了验证提出的日志解析方法和异常检测的有效性,在公开日志数据集上进行了充分实验,证明其有效性和合理性。