时间序列是指研究对象在相同标准下,按照时间先后顺序所测定得出的数列,反映了研究对象关于时间的规律性。现实生活中,时间序列数据随处可见,其研究应用也不断发展逐步成为了一门学科。在时间序列的众多研究方向中异常检测近年来非常火热。由于多种不可控因素,时间序列数据的观测值可能会存在各种不同类型不同性质的异常,异常的出现不仅会对数据分析造成影响,甚至会对生产活动、生命财产造成重大危害,因此,如何高效准确的检测出时间序列中的异常是目前的一大挑战。在以往的研究中,不乏许多经典模型与算法成功用于时间序列异常检测,然而如今大数据、信息化高速发展,在高性能计算和大数据量的需求上,这些经典模型依旧存在一定的局限性。高速发展催生了新兴技术,人工智能深度学习技术为时间序列研究提供了新的思路。本文主要研究深度学习方法在时间序列异常检测中的应用,首先针对普通序列模型LSTM（Long Short-Term Memory,长短时记忆网络）在时间序列建模中的信息损失问题,将其进行适当改进使其更适合时间序列建模,并提出相关的异常检测算法（S-LSTM）。然后循序渐进地将深度生成模型VAE（Variational Auto-Encoder,变分自编码器）融合到序列模型LSTM中,以序列重构的思路提出结合了序列建模和序列生成的时序异常检测算法（LSTM-VAE）。并且通过模拟数据和真实数据实验分析,检测所提出两种算法的实用性和有效性。最终实验结果表明S-LSTM和LSTM-VAE不仅检测性能优异而且适用于大规模数据集。