时间序列信号的分析在设备状态维护、故障预警方面发挥着重要作用。当今复杂设备以传感器采集信号并检测各部件的运行状况,然而在利用历史时序数据检测潜在问题的过程中,受到设备磨损、器件老化等因素的影响,异常演变存在不确定性,且时序数据呈现出格式不统一、样本不平衡、波动无序的特点。常见异常检测方法对无规则波动建模困难,在检测多维数据间的潜在关系异常时,会面临维数灾难,异常时段需要预测值作为替代。因此,研究时序信号的异常检测和预测具有重要意义。为了解决上述问题,本文将原始数据作规范化处理,提出异常类型定义,利用统计学和机器学习方法相结合的方式,提出了基于编解码模型的同时具备自适应性和鲁棒性的异常检测系统,可以有效抑制数据无需波动带来的影响。本文的主要研究工作及创新性成果总结如下:（1）研究无标签单维度时序信号的异常时刻检测问题。基于轴承数据和飞行姿态两组传感器数据,定义了信号中出现的革新性异常和附加性异常。为了解决在编解码模中对无序震荡信号的适应性下降,以预测方法进行异常检测的失效问题,提出基于时序信号分解的长短期记忆网络编解码模型（Trend period remainder decomposition-Long short term memory,TPR-LSTM）的多传感器自适应异常检测模型。模型通过各传感器时序信号的周期分量、趋势分量、余项分别进行统计学建模和周期分量动态估计,融合各分量结果以实现不规则波动情况下异常时刻的有效标注。最后,通过仿真实验验证了相关方法的有效性。相比原始的编解码异常检测方法,所提方法能减弱信号无序波动对系统鲁棒性的影响。（2）研究多维度高相关时序信号的异常关系检测问题。多维度高相关时序信号具有强互相关性、强自相关性的特点,异常持续时间短且状态不会随时间演变。通过对异常特点的分析,利用相邻时段的差分变化特点,利用时间序列的自相关性对异常时段作出初步定位。此外,考虑到多维度变量的间存在耦合关系,对潜在关联性建模,利用皮尔逊相关系数对变量分组,结合专家经验进行阈值判定,为后续变量间关系模型作铺垫。验证组内变量呈现线性关系后,运用线性回归模型对变量间关系建模。将两者结果叠加融合,通过线性回归模型的补偿及补充验证,降低了未知扰动对系统鲁棒性的影响。最后通过仿真实验验证了基于差分的线性回归异常检测模型（Differential linear regression,DLR）的效果及其可靠性。（3）研究多维度高相关时序信号的预测问题。为了考虑其他变量对预测变量的互相关性影响,提高模型可解释性,在传统卷积神经网络的基础上,增加残差网络、因果卷积、扩张卷积,建立了时间卷积网络模型。而后通过改变卷积核的方式,引入其他变量的历史信息,综合为改进注意力机制的时间卷积网络模型（Multivariate compressed attention-Temporal convolutional network,MCA-TCN）。最后通过与循环神经网络的对比,验证了方法的预测效果及其适用性。