时序数据通常含有一些不符合预期模式的异常。精准、全面、低时延地检测异常有助于提取重要信息并及时地处理异常。时序数据的异常检测是数据挖掘领域的重要研究问题之一,已被广泛应用于网络流量异常检测、工业故障检测和交易欺诈检测等领域。时序数据的异常检测方法可大致分为两类:传统的基于邻近度的方法和基于深度学习的方法。基于邻近度的方法主要利用数据分布的概率密度比来度量时间子序列间的邻近度以捕捉时序异常。基于深度学习的方法大多采用循环神经网络或长短期记忆网络来捕捉时序依赖性,并利用自编码器以重构数据,进而根据重构误差的大小实现异常检测。虽然这两类方法均实现了较高的异常检测率,但是仍存在检测时延较长、计算效率较低和鲁棒性较低的问题。为缓解这些问题,本文分别对这两类时序数据的异常检测方法进行研究,主要贡献如下:（1）针对传统的基于邻近度的方法检测时延较大和计算复杂度较高的问题,提出一种基于全变分比分隔距离的检测方法（TVRSE-AD）。采用全变分提取序列波动特征,进而计算全变分比分隔距离度量序列的邻近度。该距离的计算可避免复杂的参数估计,有助于提高方法的计算效率,并降低方法的检测时延。针对噪声干扰问题,引入相对全变分以进一步增强方法的鲁棒性和检测准确度。实验结果表明,TVRSE-AD方法在检测精度、时延以及计算效率三个方面均具有较好的表现。（2）针对基于深度学习的方法中网络所含参数较多导致方法计算效率较低的问题,提出一种基于串行自编码器的异常检测方法（SEAE-AD）。该方法含有两个自编码器（AE1和AE2）,其结构简单且所含参数较少,较少的参数加快了方法的训练和推理速度。此外,通过将AE1和AE2串行拼接,即AE1的输出作为AE2的输入,提高AE2的解码器对正常数据特征的解码能力,有助于提升方法的检测准确率。实验结果表明,相较于其他新近提出的异常检测方法,SEAE-AD方法取得了更高的精确率、召回率和F1值以及更快的推理速度。本文采用TVRSE-AD方法计算子序列之间的邻近度,实现高效的异常检测。当数据维度和数据量较大时,描述数据分布的难度加大,导致该方法的异常检测率和计算效率降低。为此,SEAE-AD方法借助神经网络较强的特征提取和数据表示能力,有效提高了检测性能。本文为时序数据的异常检测领域提供了两种较为有效的方法,并为后续工作提供一定的研究思路。