为保障工业系统的可靠性,尽可能避免因设备运行异常导致的危害,如何高效地检测出设备异常运行状态是一个急迫的问题。大多数异常的发生是一个渐变的过程,因此本文通过检测传感器采集的时间序列片段样本用于判别设备是否处于异常运行状态。基于传统信号处理的检测算法需要针对具体设备做特征工程,不利于应用到不同类型的设备,存在泛化性差的问题。而深度迁移学习能够自动地从不同类型设备数据中提取有用特征,无需依赖过多标注数据,具有良好的泛化能力。因此本文开展了基于时间序列迁移学习的设备运行异常样本检测方法研究,主要研究内容如下:（1）针对迁移过程中源数据集选择问题,本文提出了一种基于复杂不变相似性的源数据集选择方法。该方法通过计算候选时间序列数据集与目标数据集之间的复杂不变相似性,选出最相似的作为源数据集。其中数据集间的复杂不变相似性是通过引入复杂性因子对动态时间扭曲距离进行修正,并使用两个数据集原型样本间的最小修正距离来衡量。最后本文通过分析数据集间相似性与迁移效果之间的关系,发现使用本文所提方法选出的源数据集,平均迁移效果要优于流行的基于动态时间扭曲相似性选出的源数据集。（2）针对设备运行异常样本检测仅有正常样本可用的问题,本文提出了一种基于迁移特征优化的异常样本检测算法。其中本文设计了基于交叉熵的描述性损失函数和基于方差的致密性损失函数,并以此构成复合损失函数,用于优化特征提取网络。最后结合本文提出的源数据集选择方法对基于迁移特征优化的异常样本检测算法中的源数据集选择进行了指导。在开源齿轮箱数据和项目组电力设备数据分别构建的检测任务上进行的性能测试表明,本文提出的异常检测算法通过使用与目标数据最相似的数据集作为源数据集,其检测性能要优于单类支持向量机、孤立森林、单类神经网络和单类卷积神经网络等常用异常检测算法。