如今,多维时序数据越来越多地被收集到各类信息系统中,为完成各种数据挖掘任务提供数据基础。然而,该类数据维度更高,无效的信息干扰也更为严重,使得对于多维时序数据的研究面临极大挑战。其中,针对多维时序数据建立有效的异常检测模型,是当下数据挖掘研究及应用的重点。目前研究者们已对该类问题提出多种解决方案,但仍然存在一定局限性。首先,异常检测领域的数据标签稀少,人工标注成本过大,导致监督方法在现实世界的异常检测系统中难以取得预期效果。其次,多维时序数据具有高度的时序依赖性,并蕴含着大量的时序特征,现有方法未能充分考虑这些影响因素。最后,多维时序数据的不同维度间存在关联性,多个维度可能协同变化从而导致跨维度关联异常,仅考虑单维序列信息不能准确发现异常。针对以上问题,本文完成相关研究,主要贡献如下:（1）为了缓解异常数据稀疏问题,同时充分利用数据时序特征,本文提出基于时序特征的深度生成式多维时序异常检测模型。首先,该模型设计了基于变分自编码器的异常检测基本框架。利用编码器、解码器相互对称的结构与深层次的网络,获得数据在隐空间中更为抽象的表达,完成基于重构的深度生成式异常检测任务。然后应用时序自注意力机制,对数据进行时序特征方面的增强,以获得更为准确的数据隐层表示向量。最后分别对变分自编码器的编码器与解码器部分进行改进,融入门控循环单元进一步捕获数据中的复杂时序依赖性,从而获取数据的上下文信息。在三个异常检测数据集上进行实验,结果显示该模型相较于主流基准方法有更好的性能,验证了应用深度生成模型与挖掘时序特征在异常检测任务中的有效性。（2）为了将数据不同维度的关联性融入模型特征表示,本文以前一模型为基础,提出融合维度相关性的多维时序异常检测模型。该模型将图结构应用于时序数据,利用多维时序数据的维度特征作为图节点,各维度的相关关系作为边。随后通过图注意力网络提取近邻节点的相关性,学习数据真实结构的复杂关联性,从维度特征的角度进一步增强数据表示。最终,综合考虑数据的时序特征与维度相关性,从两方面对多维时序原始数据进行特征增强,提升模型异常检测性能。在三个异常检测数据集上进行实验,结果显示该模型达到了优于主流基线模型的异常检测效果,验证了在模型中融合维度相关性对于异常检测任务的有效性。