情感时间序列由归属于各个时间片的文本集合的累积情感值依时间顺序连接而成,是一种能够将文本数据形式化为时间序列的有效工具。面向异常检测的情感时间序列研究主要基于情感时间序列应用异常检测方法,分析由文本集合生成的情感时间序列中的变化模式,挖掘能够引起用户情感变化的异常事件。目前情感时间序列异常检测研究大都存在以下问题:一方面,生成的情感时间序列不够准确,无法真实反映用户的实际情感变化;另一方面,基于情感时间序列中的异常事件检测方法大多较为简单,仅根据短期的上升、下降或尖峰对关键时间点进行人工标记以分析与现实事件间的联系。本文针对如上问题,围绕情感时间序列的异常检测,开展了相关研究工作。首先,针对生成情感时间序列不准确的问题,提出了一种基于随机采样的情感值修正方法,从各时间片段的文本集合中随机采样出部分样本子集,基于子集评价指标对全局数据分布进行估计,并结合原始情感分类结果得到修正情感值。本文从理论角度证明了子集评价指标采样值能够被限制在较小的范围内,特别是在情感极端的情况下,可以得到更为准确的情感值。本文基于微博构建了情感时间序列分析真实数据集。所提出的情感值修正方法通过仿真数据和构建的微博真实数据集上的实验,验证了该方法对于情感时间序列修正的有效性和鲁棒性。其次,由于基于随机采样的方法存在不确定性,仍有一定概率导致失准,为了得到更稳定可靠的情感值,提出了一种基于深度聚类的情感值修正方法。首先基于情感分类任务得到文本的高维向量表示;对原始向量进行微调和压缩后应用深度聚类方法将文本向量划分到不同的簇中;再基于距离度量方法筛选出各簇中的代表性样本组成采样子集。最后基于采样子集的方法进行情感值ii修正。在本文构建的微博话题数据集进行了实验,比较了两种情感值修正方法,验证了基于深度聚类的修正方法在降低不确定性的同时能够保证较高的准确度。最后,提出了一种基于显著图的情感时间序列异常检测方法。首先将时间序列按照重合滑动窗口进行划分,使得在滑动过程中每个目标时间点都能处于窗口中间位置;对每个窗口应用谱残差方法得到相应的显著图,从而增强异常点的显著程度;再基于双侧数据局部均值进行计算,得到异常判定结果。基于微博自建的情感时间序列数据集进行异常检测实验,其结果验证了该方法能够对异常点和非异常点进行有效区分,提升了情感时间序列异常检测的准确性。