随着云计算、大数据的迅速发展,应用系统提供的服务不断多样化,复杂软硬件系统运行状态的监控指标数据呈现出形态多样、随机性强、复杂相关性等特点,对异常检测方法也提出了更高的要求。当前对于监控指标的异常检测方法大多是针对单一指标或某一实体进行监控,并采用固定异常阈值的方法检测异常。由于故障传播等指标数据的特性,大部分方法不能有效的检测应用系统在运行中出现的异常,且不能对异常告警原因进行解释。针对上述问题,本文设计了一种具有高准确度的面向应用系统监控指标的异常检测方法,并基于该异常检测方法提供了异常解释,设计与实现了异常检测系统。具体工作如下:（1）根据应用系统运行状态发生异常时各层监控指标数据均发生不同程度的突变这一特点,设计了一种应用系统监控指标异常检测方法,将CNN（Convolutional Neural Networks）、SE（Squeeze and Excitation）和GRU（Grated Recurrent Unit）神经网络融合作为监控指标数据特征提取结构,以VAE（Variational Auto-Encoder）为框架,将重构概率作为异常得分,利用极值POT（Peak Over Threshold）模型拟合重构概率分数极值的分布,实现动态确定最优异常阈值,从而减少异常检测对数据标签和运维经验的依赖,提高异常检测的准确性。为进一步说明异常检测结果的可信性,设计异常解释方法,根据重构概率分数计算相关系数得出原因指标列表,也为系统状态异常提供原因解释。（2）结合实际运维需求,设计并实现了一个异常检测系统,提供了完整的异常检测与解释流程。系统主要分为四个模块,指标管理模块提供指标信息的查询与下载等功能;异常检测模块提供数据的上传、定时采集、异常检测以及结果操作等功能;异常解释提供解释系统状态异常原因以及结果操作等功能;任务管理模块负责对异常检测和解释任务的日志信息进行操作。（3）实验结果表明,所提异常检测方法在公开数据集上进行的异常检测任务的F1评分达到91.6%,优于目前先进的异常检测方法。设计的异常解释方法的准确性也优于目前的异常解释方法。通过设计测试用例对系统进行了功能测试,证明了系统的可用性。