多维时间序列记录了多个变量的时变值,反映了每个变量的时变趋势及变量之间的耦合关系,广泛存在于各个领域,包括医学、金融、气象、工业系统等。数据挖掘技术能够帮助我们更好地理解复杂时间序列中蕴含的潜在价值信息,指导我们进行更科学的决策。然而,现有的很多数据挖掘算法已不再适用于当下日趋复杂的多维时间序列,需要更有效的技术方案。本文聚焦于时间序列数据挖掘的三个子课题,包括时间序列生成、时间序列缺失值填充及时间序列异常检测。在分析现有工作的不足后,本文提出了相应的基于深度学习的解决方案,其主要内容如下:1)针对现有时间序列生成方法无法满足生成数据的真实性、多样性、可用性的问题,本文提出了一种基于生成对抗网络的时间序列生成方法（简称Ts GAN）:以时间卷积网络为主体,学习多维时间序列的时序依赖特征和维度关联特征,同时结合谱归一化技术用于稳定对抗训练,避免模型陷入模式坍塌。实验结果表明:与其它时间序列生成方法相比,Ts GAN收敛更稳定,能够生成多样、高质量、高可用的时序数据。2)针对现有的缺失值填充方法在复杂的多维时间序列上无法实现高精度填充的问题,本文提出了一种基于生成对抗网络的时间序列缺失值填充方法（简称Ts GAIN）。Ts GAIN沿用并改进了时序生成模型（Ts GAN）,将生成对抗网络应用在了缺失值填充问题中。实验结果表明:相较于其它缺失值填充方法,Ts GAIN能够以更高的精度还原缺失值,减少数据缺失对建模分析的负面影响。3)多维时间序列异常检测需要高效且鲁棒的模型、科学的异常评分方式及有效的异常阈值选取策略。对此,本文提出了一种基于深度学习的无监督异常检测方法（简称Hybrid AD）。Hybrid AD由特征提取网络,概率预测网络和重构网络三部分组成。特征提取网络通过Temporal Embedding和Dimension Embedding并行学习多维时间序列的时序依赖特征和维度关联特征。在特征提取的基础上,概率预测网络和重构网络构成混合异常检测模型,实现鲁棒的异常检测。在异常评分上,本文提出了一种基于预测概率的异常评分方式,从概率的角度解释数据异常。同时,本文还将预测源的可靠性分析纳入到异常评分中,用以放大异常数据的评分。最后,本文使用了一种基于极值理论的无监督异常阈值选取方法,能够在较小的性能损失下获取可用异常阈值,实现异常检测流程的完全无监督化。实验表明,与前沿模型相比,Hybrid AD取得了最高14.8%的性能提升。