近年来,随着各种产业的发展,我们能够获得地带有时间戳的数据越来越多,人们也越来越重视这些数据中的时序特征带来的产业价值。对时序特征的研究能够从历史数据中挖掘出规律,进而用于对时间序列的分析和建模。对时间序列的研究中,异常检测是其中重要的一个分支。对时间序列进行异常检测能够对实时产生的数据进行监控,降低数据管理成本。同时也可以作为数据预处理的一环,提高机器学习模型所使用数据的质量。现在的工业时间序列呈现高维、量大等的特点,为时间序列异常检测带来了更大的挑战。主要表现在传统的模型在低维少量数据上表现尚可,但是难以对大量高维时序特征进行建模。同时,不同工业场景下异常定义不同,数据标签也是十分有限,如何利用有限的数据先验,在样本受限不同场景下获得好的异常检测结果,也是目前高维时间序列异常检测面临的挑战之一。基于这些挑战,本文研究在样本受限场景下的高维时间序列异常检测解决方案。主要从不使用数据标签的无监督学习、使用部分数据标签并利用起大量无标签数据的半监督学习和仅使用少量样本的小样本学习三个方案解决不同场景下的高维时间序列异常检测问题。本文的研究内容包含以下几点:1.研究了基于自编码器的无监督时间序列异常检测方法。提出了一种时间序列预处理方法,能够对时间序列分段并保留部分连续特征。融合卷积神经网络和循环神经网络的特征提取能力,构建了一种能够提取高维时序特征的自编码器模型。在业界公开数据集上的实验表明,所提出的方法能够有效地使用无标签数据进行异常检测。2.研究了基于度量学习的半监督时间序列异常检测方法。预处理过程使用短时傅立叶变换和随机维度分布,从时域和频域的角度同时挖掘时间序列特征,同时提取高维特征中不同维度的特征关联。将度量学习用于异常检测领域,设计异常检测场景下的度量损失函数,并将模型扩展到半监督学习。在公开数据集和工业数据集上进行的实验表明,所提出的方法能够有效地利用标签数据和无标签数据进行异常检测,并且验证了半监督学习设置的有效性。3.研究了小样本时间序列异常检测算法。从元学习和数据增强两个角度出发。设计了时间序列任务划分方法,解决了元学习场景下时间序列的任务分配问题,设计时间序列下的元学习流程。使用条件生成对抗网络,设计时间序列数据增强算法,解决了时间序列场景下的模型训练问题。在公开数据集上的实验表明,所提出的方法能够解决小样本场景下的时间序列异常检测问题。