人工智能已经当仁不让的成为了当前学术界最火热的研究方向,各个领域不论是医疗、生物、互联网都已经开展了相关的各类工作。显然如今人工智能对于大部分人已经不再神秘,人们对于它的要求也已经越来越高,已经从‘可以做’转变为‘可以做得好’。为了更好地探讨人工智能在各个领域的有效性,本篇论文将从两个方向展开工作,包括人脑肿瘤图象识别与多特征时间序列的异常检测。人工智能应用到医疗图像分析在过去几年已经成为了比较火热的研究方向,由于医疗图像问题关乎病人的治疗进度,直接影响到病人的身体健康。这就导致了医疗图像问题拥有要求速度快、准确性高的特点。目前工业界关于医疗图像分析的研究早已如火如荼的开展了起来,相关文章的激增也表明该领域受到越来越多的关注。本论文所研究的脑肿瘤图像分割方向也在国内外广受关注,该问题有两大难点:一、病灶分布位置及大小不固定;二、由于不同类型的肿瘤需要对应不同的治疗方案,所以需要分辨多种类型的肿瘤区域,为它们划分清晰的边界以方便治疗。为了解决这两大问题,本论文搭建了基于神经网络的端到端语义分割模型M-Unet,该模型可以快速地对脑肿瘤核磁共振图像进行处理,得到脑肿瘤所在区域的边界划分,同时还能够准确的辨别多种类型肿瘤,根据类型进行划分。在前人工作的基础上,本篇论文为网络结构设计了两个全新网络模块——双层卷积网络模块与反池化卷积模块。设计双层卷积模块的目的是由于脑图像非肿瘤区域往往占比极大,就需要网络快速的过滤掉非肿瘤区域,而肿瘤区域由于还需要分辨肿瘤的类别,就需要网络精细化的分析图象,那么这两类问题就存在着矛盾。于是双层卷积网络就被用来解决这一问题,通过结合卷积层与空洞卷积层,能够兼顾在快速过滤非病灶区域的同时细致地分析病灶区域。此外,由于传统神经网络方法在上采用方法中常常使用转置卷积或反卷积的方法,而这些方法存在着稀释参数的问题,于是为了解决这个问题同时提升网络效果,本文设计了全新的上采样模块反池化卷积模块。该方法利用了区域关注思想,为卷积层赋予了现实的物理意义,能在将特征层恢复为原始大小的同时提升网络的特征提取能力。此外,为了抑制数据不均衡对训练造成的影响,还设计了加权Dice损失函数来通过样本数来调整各类样本的训练比重。同样,时间序列异常检测也渐渐成为了数据挖掘领域具有极大潜力的研究方向。目前已经有很多将其他领域的方法移植到异常检测领域后取得成功的例子。本文在对之前的方法进行整理后发现他们的一个主要的问题是没有有效地利用多个特征之间的联系这一信息。对于异常检测问题而言,如何精确地定位特征是否发生异常须要关注很多因素,而最重要的一点便是特征之间是否保持着正常的关系。很多方法都因为忽视了这一点而导致了错误判断。本文提出了一种新的无监督多变量时间序列异常检测框架GARN来解决这个问题。模型采用了目前广受关注的注意力图神经网络对特征之间与时间序列各个时间点之间的相关性进行建模。该方法不需要对特征之间的相关性具有任何的先验信息,从而可以使用到更多的场景。模型将每一个单变量时间序列视为一个单独的特征,并同时包含两个图形注意层,以学习多元时间序列在时间和特征维度上的相关性。此外,GARN联合优化了基于预测的模型和基于重构的模型,通过单时间戳预测和时间序列重构相结合,获得了更好的时间序列表示。本文通过大量的实验证明了 GARN的有效性,在三个数据集上的表现均优于其他目前已有的模型。并且通过进一步分析表明,GARN具有良好的可解释性,可用于异常诊断。