时间序列数据作为一种具有时间属性的重要数据类型,广泛存在于各个领域。而在这些序列数据中蕴含着大量重要的信息,因此如何从科学的角度进行分析从而挖掘出数据背后更有价值的信息是数据挖掘领域的一个热点问题。时间序列数据异常检测作为一个充满活力的新研究领域,旨在从海量的、形式多变且维数高的时间序列中发现与其它数据有明显差异的样本,对于分析和处理时间序列具有重要的科研价值。本文基于尺度空间的概念,从分析表示时间序列特征间的相关性出发,建立了关键特征的时间序列多尺度表示方法,在多尺度表示基础上搭建基于变阶马尔科夫模型的多尺度异常检测框架。主要内容如下:由于单尺度时间序列表示方法只能在某一尺度专注于某个特征,容易导致漏检和误检现象,同时针对时间序列表示特征间的相关性会导致特征解释不真实、降低表示模型准确度的问题,本文提出了一种基于特征相关性分析的多尺度表示方法FCA-MSR（Multi-Scale Representation Based On Feature Correlation Analysis）。为此设计了仿真实验,对合成数据和公开数据进行的实验研究均表明,该方法具有更高的精度和更强的鲁棒性。相比于单一尺度的分段聚合近似表示方法（PAA）、最优区间间隔表示方法和基于条件广义方差法来选择关键特征集的多尺度表示方法（CGMV-MSR）,该方法在F1分数方面分别提高了127.57%、34.63%和16.20%,大大提高了异常检测的查准率和查全率。此外,由于经典马尔科夫模型方法的短记忆特性会忽略数据间的关联性、高阶马尔科夫模型方法的长记忆特性又会使得历史数据与当前数据间的相关性被模糊进而导致模型可靠性被降低,为此本文从平衡模型记忆长度的角度出发提出了基于变阶马尔科夫模型的时间序列异常检测方法,并引入异常替换策略来避免待检测数据受已检测出的异常数据点的影响。实验表明本文提出的基于变阶马尔科夫模型的异常检测方法相对于基于经典马尔科夫模型、基于高阶马尔科夫模型方法在F1得分上分别提升了60.34%、30.98%,在AS得分上分别提升了129.95%、43.42%,克服了传统基于马尔科夫模型异常检测方法的局限,故而提升了异常检测效果。