研究时间序列异常模式挖掘具有重要的学术价值和现实意义。针对时间序列连续、非线性、高维的复杂结构,探索了时间序列异常模式挖掘的新途径。研究了基于分类的时间序列异常检测方法及特征属性降维方法,并应用于矿井瓦斯异常检测;同时提出了多传感器空间布局优化方法,开发了原型系统。主要研究内容如下:针对逆分类方法无法用于连续属性的缺点,提出了一种连续属性逆分类的方法。它是一种同时对训练样本和测试样本进行分析的方法,其主要思想是:首先找到与类别属性相关的特征属性组合;然后将连续属性离散化并且为训练样本构造逆统计;最后对测试样本进行异常检测或遗失值估计。在IRIS和Ecoli数据集上的实验结果表明,该算法的分类准确率、平均相对误差和最小相对误差均优于朴素贝叶斯和ISGNN。针对现有流形学习方法用于异常检测低准确率的缺点,提出了两种有监督的流形学习方法PSLLE和PQSLLE,通过计算偏向概率来调节样本间的距离,使得测试样本所隐含类别信息在其低维嵌入空间仍得以保存,其主要思想是:首先通过偏向概率计算近邻矩阵;然后计算权值矩阵;最后通过局部重建权值矩阵和近邻矩阵映射到低维嵌入空间。在IRIS、Wine和Semeion手写数字数据集上的实验结果表明,采用PSLLE和PQSLLE降维后进行KNN异常检测的准确率优于LLE和SLLE。多传感器时间序列的异常模式是通过分析传感器的量测值得到的,表现为数据相关,缺少物理上的相关分析。针对这个不足,提出了多传感器的空间布局的优化方法,给出了形式化描述,并分别建立了多传感器在一维、二维和三维空间的布局优化模型。将时间序列异常模式挖掘方法用于煤矿瓦斯异常检测中,开发了煤矿瓦斯涌出量异常检测系统,包括异常检测、遗失值估计和流形学习模块。测试结果表明系统运行正确。