随着国家经济实力的腾飞和科学技术的突飞猛进,各行各业对数据重视程度日益提高,大量生产、交易、医疗等数据被收集起来,用于企业产品升级或服务转型等诸多方面研究。面对具有高度复杂、体量大、易变性等特点的海量数据,如何对其进行精准检测和快速分析,从中挖掘出具有的潜在价值,已成为当今数字化时代研究的热点问题。作为大数据领域中的一个重要研究分支,时序数据的异常检测与快速分析技术主要利用整体数据的分布状态,找出时序数据中的突变位置,对突变信息进行分析和研究,在数据挖掘领域中有着广泛的研究和应用价值。为实现对大规模时序数据异常状态的准确分析与快速诊断,本文利用滑动窗口与TSTKS算法相结合的方法,给出了多突变点检测模型;通过提取多时序窗口数据波动特征的方法构建时序数据多突变点对应的波动向量,进而提出用于数据异常状态检测的波动向量多阈值分割算法;利用模拟和实际病变数据对该阈值分割算法进行实验验证,实现对病理数据的不同病变状态检测和快速分析。首先,基于滑动窗口与TSTKS算法,给出了多突变点检测模型。利用滑动窗口模型将待检测数据划分为若干个数据子段窗口,采用TSTKS突变点检测算法对时序数据进行检测,通过提取连续多窗口的波动量来构建表征数据波动程度的时序数据波动向量。其次,利用多突变点检测模型,提出了两种波动向量的多阈值分割策略。基于波动量的多阈值分割方法在突变点检测精度较好的情况下可以将数据划分为异常状态和正常状态,而基于均值的多阈值分割策略在突变点检测失效的情况下可完成对数据状态的识别。最后,综合两种策略不同的特点提出改进的波动向量多阈值分割算法,实验表明该算法对于单一数据分布和数据特征的时序数据具有良好的分割效果。此外,为了处理复杂多变的数据状态划分问题,给出了自适应多阈值分割算法。基于波动量的多阈值分割算法和基于均值的多阈值分割算法,结合了两种策略的优势,提出了自适应多阈值分割算法。实验结果表明自适应多阈值分割算法可以弥补单一策略的不足,能够根据数据不同的状态分布和数据特征实现不同阈值的自动选取。最后,本文利用真实脑电信号数据对自适应多阈值分割算法进行验证,通过该算法可以将脑癫痫等病变数据划分为多个不同状态,实现了对癫痫病变周期内的发作预警、严重程度等不同的病变状态分析。进而,对同一病人的不同时序数据信号源进行了深入分析,根据不同病变的状态检测结果,对于癫痫疾病发作的持续时间、严重程度等方面进行了初步分析。