在工业大数据分析、医疗健康大数据分析、气象数据分析和预测、经济金融数据分析等许多现实世界应用中,时间序列数据作为一种重要的数据对象而普遍存在。时间序列是按照时间发展顺序而采集到的数据对象,具有维度高、数据量大、更迭速度快等特点。异常检测作为时间序列分析中的一类重要任务,旨在检测出时间序列中的异常点或异常序列。其中,有效的处理多维度时间序列的上下文信息、进行特征抽取并检测其中的异常点,以及有效的检测多维度异常序列是关键问题。本论文的研究内容主要分为以下两个部分:一、针对多维度时间序列的点异常检测问题,本论文提出了一种基于双向LSTM异构集成的点异常检测算法MTSPAD。通过双向LSTM对多维度时间序列的上下文信息的处理,一方面可以利用神经网络对序列特征自动抽取;另一方面,序列维度之间的相互关系能够被自动处理,然后对输入时间序列在各个子模型中异构学习,得到最优的异构集成模型,使得异常检测更具鲁棒性,最后使用异构集成模型对输入数据进行异常检测。通过在六个真实数据集上的实验,本算法基本都能够比较准确的检测出异常,和单个学习器相比较,异常检测的准确率和召回率较其它算法平均提升5%左右。总体实现结果表明本方法可以准确有效的检测多维度时间序列中的异常。二、针对多维度时间序列异常检测的序列异常检测问题,本论文提出了一种基于动态时间规整(DTW)的序列异常检测算法MTSSAD。首先使用KernelPCA降维算法在归一化后的训练集合上学习得到转换矩阵,然后将目标测试数据集合转换成为单维度时间序列(UTS)数据集合。本论文提出DDTW距离作为序列相似度衡量标准。通过计算UTS和正常序列的DDTW距离来得到目标序列的预测标签,从而判断目标序列是否为异常序列。本文通过在远程孕妇胎心监护时序数据集上的实验验证了该算法对于异常序列检测的有效性。本文针对多维度时间序列异常检测领域的点异常检测和序列异常检测问题进行了探索,研究了多维度时间序列数据的处理方法和异常检测方法,良好的实验结果证明了方法的有效性和准确性。本文研究工作对多维度时间序列数据的异常检测问题有一定的指导意义和实际价值。