多维时间序列异常检测是时间序列数据挖掘的重要领域之一,有效的异常检测算法可以及时检测生产中出现的故障或问题,避免造成更大的损失。时间序列异常可以分为点异常,区间异常和序列异常。某一时刻的数据发生偏离可能受到数据采集过程中的噪声影响,且在实际应用中,检测某序列异常需要监测整个时间段,在大部分系统中不符合实时性要求,因此本文主要研究对象为多维时间序列中的区间异常。随着多维时间序列时间特征和维度特征的增加,人工标注整个数据集的可行性降低,传统的机器学习方法无法学习到时间序列复杂的非线性关系,容易过拟合。有监督模型缺乏高质量的数据集进行训练,并且,时间序列异常检测也面临着历史数据无法包含全部异常类型样本的问题,导致传统的分类模型无法取得很好的异常检测效果。近年来,基于深度神经网络的时间序列异常检测研究取得了显著的进步。其中长短时记忆网络LSTM得到广泛的研究并在学习样本时间相关依赖时效果较好,但仍然存在不能有效的学习维度相关依赖的问题。基于重构思想的深度自编码器在异常检测领域取得了良好的效果,其主要思路是将样本的重构误差根据阈值分类,高于阈值的样本被认为是异常样本。因此,本文在传统深度自编码器的基础上加以改进,提出了基于时间模式注意力机制的LSTM自编码器,增强了模型对多维时间序列特征域的学习。但是在实际应用过程中,发现了本文提出的自编码器在工作时参数量大,运行时间长,且根据经验选取的阈值缺乏解释性。因此,本文基于之前的研究工作,对模型的注意力机制和异常检测分类算法进行改进,提出了基于双向时间模式注意力机制的无监督异常检测混合模型,将Bi LSTM自编码器和分类器相结合。通过引入双向结构增强模型的拟合能力,通过引入One-Class SVM增强算法的鲁棒性,同时也增强了模型的可解释性。本文主要研究基于深度学习和机器学习的混合模型解决无监督的多维时间序列异常检测问题,主要的创新点和主要贡献有以下几个方面:（1）本文提出了基于时间模式注意力机制的LSTM自编码器学习多维时间序列数据的时域信息和特征域信息。目前已有的注意力机制和LSTM相结合的模型基于预测思想,精准的预测需要高质量的数据集和复杂的特征处理过程,区别于前者,本文采用重构思想,降低了模型的复杂性,增强了模型的鲁棒性。模型的编码器部分由长短时记忆网络LSTM和卷积神经网络构成,通过对长短时记忆网络隐含层行向量进行卷积操作和加权求和学习特征域信息。通过在编码时引入时间模式注意力机制,解决了长短时记忆网络LSTM无法很好的学习多维时间序列各维度之间的依赖信息的问题,增强了自编码器多维时间序列的重构能力。通过重构误差对样本进行二分类,从而实现了多维时间序列无监督异常检测。（2）本文对基于时间模式的注意力机制加以改进,提出了双向时间模式注意力机制,通过对序列的正向信息和反向信息进行学习,进一步加强了模型对多维时间序列复杂非线性关系的拟合能力。（3）本文将双向时间模式注意力机制和无监督分类模型相结合,提出了基于双向时间模式注意力机制的无监督多维时间序列异常检测混合模型。该混合模型由数据预处理模块,编码器和异常分类模块三部分构成。数据预处理模块利用异常注入的方式解决了多维时间序列数据集缺乏异常标签的问题。编码器模块是基于双向时间模式注意力机制的Bi LSTM自编码器的编码器部分,通过增强对序列时间域和特征域正反向信息的学习能力,提高了模型的异常检测精确度。分类器模块使用One-Class SVM解决了样本分布不均衡,历史数据无法涵盖所有异常类型的问题,有效地提高了模型的精确度。该混合模型将深度学习和机器学习方法相结合,解决了深度学习中参数计算量过大和机器学习模型无法学习样本长期依赖的问题。在多个数据集上对比实验结果表明,本文提出的多维时间序列异常检测混合模型取得了良好的效果。