时间序列数据普遍存在于现实世界和各种人造系统中。随着信息化社会的发展,分析时间序列中的历史数据以预测和检测当前或者将来的潜在事件在很多领域中都有重大意义。对应用系统中产生的随时间变化的数据进行分析能有效检测该系统是否存在异常情况,人造系统产生的时间序列数据通常包括两个部分:监测数据和外源数据,分别是监测对象状态信息和控制/反馈信息,其中控制/反馈信息一般是人为的用于辅助异常检测的数据。现有的模型将两类数据统一处理,没有充分挖掘外源数据的价值,而且采用的异常判断方法无法在假阳性和假阴性最小化之间取得平衡。同时,对于时间序列的预测,现有的神经网络模型忽略了从网络中不同层提取的时空相关性之间的差异,这可能导致特征冗余而降低预测的准确性。针对目前基于时间序列数据的预测及异常检测中存在的不足,本文提出了以下解决方法。针对时间序列预测,本文提出“高低层时空依赖建模的神经网络”（Modeling High-and Low-Level Spatiotemporal Neural Network,HALLD-Net）。在概念上,引入了高低层时空依赖的概念,对应于神经网络模型深层和浅层网络对时间序列数据的特征提取。HALLD-Net利用卷积神经网络（CNN）和长期短期记忆（LSTM）来表征多元时间序列的时空依赖关系;引入注意力机制对不同层的时空依赖特征做更细粒度的处理;此外,使用自回归组件提取时间序列的线性关系,增强模型的鲁棒性。最后,本文通过在真实世界的四组多元时间序列数据和两组单元时间序列数据上展开对比实验,验证了HALLD-Net优于最新的网络模型,并通过可视化HALLD-Net网络模型的中间输出提供了对HALLD-Net的解释。针对当前基于时间序列预测的异常检测,提出将门控递归单元（GRU）与卷积神经网络（CNN）相结合的G-CNN体系结构。利用GRU捕捉监测数据的时间关系,同时CNN捕捉外源数据的特征,通过对监测数据和外源数据的特征提取来预测下一个时刻的监测数据。然后引入双参考阈值方法处理预测误差并动态计算阈值,在假阳性和假阴性最小化之间取得平衡。最后,通过在两个来自航天航空的公共数据集和一个来自互联网公司的服务器数据集上展开对比实验,证明了此方法的出色性能和广泛适用性。