在社会生产生活中,往往需要布置大量传感器去采集时序数据,但是由于采集错误、传感器自身功率变化、网络传输异常或人为干预等原因,时序数据中难免会出现一些异常。然而,现有的多维时间序列异常检测算法没有对异常数据的类型进行区分,用户往往会将检测出的异常数据全部清洗掉,导致清洗后的数据丢失大量具有意义的事件和特征。本文将异常数据分为噪声和异常事件两类,分别针对多维时序数据上的异常事件检测问题和噪声修复问题展开了研究。在多维时序数据的异常事件检测技术的研究中,本文主要提出了无监督和有监督相结合的异常事件检测框架AEDF-CUS,该框架包括候选点选取、特征提取、无监督聚类以及有监督概率分类四大模块,最终目标是训练出一个能够完成异常事件检测任务的分类器。给定待检测多维时间序列,AEDF-CUS首先对其进行候选点选取,然后通过特征提取模块提取出各个候选点的规模、相关性和方差特征,最后交由训练好的概率分类器进行类别标签判断,并返回异常检测结果。实验结果表明,AEDF-CUS能够有效地区分多维时间序列中的噪声和异常事件,而且检测性能明显优于现有的CABD算法。在多维时序数据的噪声修复技术的研究中,本文提出了基于ARIMA的单点噪声修复算法,该算法使用ARIMA模型对噪声数据点的各维属性值独立地进行预测修复,最终达到了单点噪声修复的目的;为了解决多维时序数据上的连续噪声修复问题,本文提出了 ConvLSTM-M算法,该算法首先使用ConvLSTM模型对连续噪声进行预测修复,然后使用连续噪声区域前后时序数据点的均值特征对预测修复的结果进行调整。最后,通过在真实数据集上的对比实验,验证了两个算法在解决多维时间序列噪声修复问题上的有效性和优越性。