随着传感器等硬件技术的发展,越来越多可靠的时间序列数据可以被收集,其中时间序列异常检测是及时发现问题、规避风险的重要任务。建立多维时间序列异常检测系统并不容易,因为采集到的数据不仅具有不同维度和特征的信息,数据之间存在水平和垂直的联系,而且由于每个传感器采集数据的频率不同,观测数据可能是异步的。由于设备故障等原因,数据也存在观测值缺失的问题。此外,异常没有明确的边界,多维时间序列异常目前也没有统一的定义。本文围绕传感器多维时间序列序列异常检测这一研究方向,分别提出了基于深度神经网络的多维时间序列缺失值插补算法与异常检测算法,并通过多组实验与其它算法的性能做比较,实验结果说明了提出算法的优势,最后设计了一个实时异常监测报警系统来展示提出算法的实用性,该系统也能更好地满足用户对实时监测的需求。近年来,深度学习方法在处理多维时间序列方面表现出了突出的优势。本文定义了多维时间序列点异常并提出了一种多维时间序列异常检测的无监督深度学习方法,即多层卷积循环自编码异常检测器（MCRAAD）。模型通过基于滑动窗口的特征矩阵获取相关性,用多层卷积编码器提取特征矩阵序列的特征,由Conv LSTM单元获得特征矩阵中的时空信息,最后用卷积解码器重构特征矩阵序列并预测自身特征矩阵。此外,本文提出了一种阈值设置方法以协助异常的判定。本文在合成数据集和一个真实数据集上对模型进行测试,结果表明该方法在检测能力和鲁棒性方面均优于对比的模型。该模型也为现实生活中多维时间序列异常检测提供了一种有效的方法。根据数据集的缺失模式来插入适当的值是处理缺失数据问题的一种技术。本文提出了一种基于GAN的端到端多维时间序列缺失值插补方法（MIEGAN）,该方法利用生成器和判别器的对抗训练来训练最优生成器。生成器由一个包含改进GRU单元的去噪自动编码器组成,它可以根据实际分布生成模拟数据。增加了一个衰减机制的GRU单元用于从不完整多维时间序列中提取时空特征和缺失模式特征。本文使用一个合成数据集和一个完整的真实数据集来验证模型在不同缺失率和异步条件下的插补缺失数据性能。结果表明MIEGAN模型在多维时间序列缺失数据的插补方面优于比较模型。本文融合了处理多维时间序列缺失值算法与异常检测算法设计了一个实时异常监控报警原型web系统。该系统能实时展示传感器数据的变化,在传感器系统出现异常时及时向用户发出提醒并提供异常分析结果帮助用户快速查找异常。