液压系统具有重量轻,体积小,响应速度快,功率大,精度高和抗负载刚度高等优点,它广泛应用于造船,航空航天,冶金工业,建筑机械,农业机械等许多领域。随着液压系统的快速化、大功率、高精度化发展,液压系统及其设备出现异常的几率也将随之增加,液压系统一旦发生故障将会造成重大的损失。但由于液压系统的高度非线性和复杂性,且随着液压系统自身功能和自动化生产水平的不断提高,其复杂程度也随之更高。因此对液压系统进行异常检测时,难以直接从系统内部观测,需要从液压系统传感器获得的历史数据入手,采取时间序列分析的相关方法,对液压系统进行异常检测。从而及时发现液压系统状态的异常变化并做出有效预防措施,为检测人员提供相应的科学分析。针对上述难点以及研究重点,本文工作主要包括以下内容:针对液压系统的模式异常的复杂性、不确定性,设计了半监督方式的基于多元时间序列相似性度量的液压系统异常检测算法,在特征处理方法选择上,通过对PAA和PLR方法在液压系统数据上的降维效果对比,选取PLR方法对数据进行降维特征表示,在相似性度量的方法上,提出了基于改进的DTW的距离度量方法,该方法不仅能满足不等时间长度序列距离的度量,而且在计算中将点到点的距离度量方式,转化为子线段模式间的距离计算,提高计算效率,通过在液压系统检测平台上的实验,验证了算法的可行性和有效性。针对液压系统主要构成元件冷却器、阀门、液压泵、蓄能器可能出现故障的情况,提出了一种有监督方式下的基于级联森林集成分类的液压系统异常检测算法,该方法利用人工智能领域的分类方法,将多个传感器时间序列数据转化为一个整体的特征空间,学习四种元件故障模式下的各个传感器时间序列数据特点,在单分类器的方法上进行优化,提出了基于级联森林的集成分类方法,该方法在组成上选取KNN、SVM、朴素贝叶斯作为三种基分类器,在结构上以级联森林的结构逐层分类,结合尺度空间理论,选取合适的尺度对液压系统监测数据进行分类学习,判断是否出现异常,并识别出具体的异常类型。通过液压系统检测平台上实验,验证了算法对液压系统四种故障模式检测和识别的可行性和有效性。