由于数据采集、计算机技术、监控系统和万维网技术的迅速发展和应用,人们对信息进行收集、处理和传播的速度越来越快,范围越来越广。在生产、生活、商业、科学研究等领域中,人们积累了大量的数据,并且由于新的应用的产生,新的数据在不断的急剧的产生。时间序列数据就是一种普遍的数据,它是指等时间间隔收集到的数据。近年来,在时间序列数据(包括一元时间序列数据、多元时间序列数据)上挖掘异常模式得到了越来越多的重视。对这些异常模式进行挖掘、分析、利用能够加深人们对异常产生机制的认识,并可以更好的达到消除这些异常、预防异常的发生,或者利用异常达到实践活动的目的。由于事物之间有普遍的联系,在时间序列数据库中,多个时间序列数据之间很可能存在相关性。一个序列上发生的异常可能导致或伴随与它相关的另外一个(或一些)时间序列也发生异常。本文假设,在多个相关上的时间序列上的异常模式之间也具有相关的关系。因此,本文研究了一个新的问题：挖掘相关时间序列上异常模式之间的关联规则,具体分析了具有周期性质的时间序列数据。为了解决这一问题,本文综合研究了多种数据挖掘技术,包括异常模式挖掘、聚类技术、关联规则分析。本文主要有以下贡献：提出了在多相关时间序列上挖掘异常模式之间关联规则这一新的问题；给出了多种形态时间序列的统一定义；给出了异常模式的一种新定义；提出了基于采样的异常检测算法；利用传统频繁集算法解决了异常模式关联规则问题。实验表明,基于采样异常检测算法具有很高的效率和准确性,异常模式之间的关联规则能够输出一些有趣的结果,本文的工作是有意义的。