时间序列数据存在于许多领域中,包括医疗数据分析、工业传感器监测和金融市场等。由于现实世界中存在噪声或传感器故障等,真实时间序列数据中不可避免地存在一小部分不同于一般数据模式的异常值。因此,时间序列异常检测是时间序列挖掘领域的一个重要问题。现有很多时间序列异常检测方法都是基于有监督分类模型,依赖于充足的、类别平衡的时序数据,而这些数据的获得在现实世界中是具有挑战性的。一些传统的无监督时间序列异常检测方法通常利用一个密度度量或距离度量来衡量数据的异常程度,它们将时间序列数据看作是高维数据点的集合而忽略了数据中固有的时序依赖关系。近期,循环自编码器这种无监督重构的模型成为了时间序列异常检测领域中一种流行的深度学习框架。然而,现有的基于循环自编码器的方法难以捕获复杂的多尺度（多分辨率）时序依赖关系,在解码阶段容易出现误差累积的问题。为了解决上述问题,本文在无监督学习范式下,提出了一种基于多分辨率集成的时间序列异常检测模型——多分辨率集成的循环自编码器模型（Multi-Resolution Recurrent Autoencoder Ensemble,MRRAE）。该模型利用集成学习和层次化神经网络的思想,将关注不同分辨率时序信息的多个循环自编码器层次化集成在一起用于建模多分辨率时序依赖关系,同时引入多分辨率时序信息融合机制及形状约束损失来避免解码过程出现误差累积问题。此外,该模型还通过一个下采样操作显式地过滤输入序列数据中噪声等异常数据,增强了模型面对异常数据的鲁棒性。具体地,该模型利用不同的下采样率对原始输入序列进行下采样操作,产生了一组具有不同长度（不同分辨率）的输入时间序列。该模型通过集成多个不同分辨率的循环自编码器去建模多分辨率时序依赖关系,在不同分辨率层次上重构下采样时间序列。该模型同时在编码、解码两个阶段中引入多分辨率时序信息融合机制（fine-to-coarse和coarse-to-fine）,在数据样本空间和特征空间融合多分辨率时序信息,进一步提高了模型的鲁棒性和检测性能。最后,通过引入一个多分辨率形状约束损失来约束解码器在不同分辨率下的输出序列与输入序列的全局时序形状相匹配,避免了解码过程中的误差累积问题。通过在16个干净数据集和7个污染数据集上大量的对比实验和消解实验分析,验证了多分辨率时序信息融合和集成模型的有效性,可视化分析和计算效率分析也展示了MRRAE模型优异的异常检测性能和高效的计算效率。