时间序列通常是指等时间间隔内对某待测指标采集的一组单变量或多变量数据,反映了待测指标的一种内在模式的发展规律。时间序列异常检测任务主要是识别时间序列中不符合正常发展趋势的数据。随着物联网的快速发展,各类传感器采集的时间序列数据呈现维度爆炸、异构、非线性等复杂趋势,传统方案无法有效应对新挑战,也无法较好地从时间和空间尺度捕捉数据间的重要信息。近年来,深度学习方案得到广泛研究并取得较好的异常检测效果,同时也衍生出许多优秀网络架构,其中深度自编码器被认为是用于时间序列异常检测任务的有效代表模型之一。其首先将原始序列数据经编码解码环节得到重构序列,然后制定合理的阈值或概率分布方案对两者的误差进行分析,进而发现异常信息。本文基于深度学习方案,采用重构思想,从有监督和无监督两个角度研究时间序列异常检测任务。主要工作如下:（1）传统异常检测方案较难处理高维数据,且忽略数据间的顺序关系、局部信息等,导致检测过程的误判漏判现象常有发生。针对这一问题,本文提出一种采用深度自编码器（Deep Auto Encoder,DAE）与支持向量机（Support Vector Machine,SVM）等传统分类器相结合的方式进行时间序列异常检测的有监督方案。深度自编码器由卷积神经网络（Convolutional Neural Network,CNN）和长短期记忆（Long Short-Term Memory,LSTM）网络搭建,编码过程能提取到正常与异常样本间的区分性特征,进而建立特征与实际标签的对应关系,通过传统分类器区分出异常。该方案不仅能较好地捕捉时间序列的局部空间特征和时序特征,同时克服了阈值筛选等检测方案会面临的不确定性问题。（2）实际应用中的数据往往缺乏有效的异常标签,为此本文提出了一种变分自编码器（Variational Auto Encoder,VAE）结合动态阈值的无监督时间序列异常检测方法。VAE由双向长短时记忆网络（Bidirectional Long Short-Term Memory Network,Bi LSTM）搭建,用于捕捉数据前向和后向的时间依赖关系。VAE基于概率分布生成接近原始数据的重构数据,通过马氏距离（Mahalanobis Distance）度量原始与重构样本之间的差异性。为避免人为设置的固定阈值难以准确获取上下文区间情况,使用无参数的动态阈值灵活判别异常。在多个数据集上的对比实验结果表明,本文提出的两种时间序列异常检测方案均展现出较好的效果。