异常检测问题是机器学习领域的一个经典问题,其旨在从给定数据中检测出偏离正常模式的样本。而时间序列异常检测,即针对时间序列数据的异常检测,无论在学术界还是工业界都具有重大的意义。时间序列异常检测可以自动地从大量互联网公司业务或工业机械等监控数据中自动地发现异常,从而避免损失。现有的时间序列异常检测算法主要有特征提取和端到端两种方式,不过这些算法存在严重的问题:（1）对于基于特征提取的异常检测,为了保证算法的有效性,往往会提取大量的特征,这就造成了特征维度过高的问题;（2）对于端到端的异常检测,现有的算法忽略了数据集中存在的大量的缺失值问题,并且无法利用现实场景中存在的已有的异常标签;（3）对于端到端的异常检测,仅仅使用自编码器的重构误差对于局部异常效果并不好。同时由于神经网络强大的拟合能力,容易对异常样本也重构的很好。为了解决上述问题,本文针对无监督时间序列异常检测展开了研究工作。首先,本文提出了一种基于知识蒸馏的异常检测框架以缓解特征提取维度过高问题。模型框架由一个教师网络和若干个学生网络组成。首先使用自监督目标函数对教师网络进行预训练,之后训练学生网络来接近教师网络的输出（即使用教师网络学到的知识来“教”学生）。由于学生网络并未在异常样本上进行过训练,所以对于异常样本来说,教师和学生的输出以及不同学生之间的输出会存在很大的差异。于是可以根据这两个角度来进行异常的判别。其次,基于对抗自编码器构建模型,本文提出了对比重构损失和训练填充机制来分别解决利用少量先验标签和缺失值的问题。对比重构损失相比原始的重构损失可以减少对异常样本的正确重构。而训练填充机制会利用对抗生成网络强大的生成能力来在训练过程中不断的补充缺失值。最后,本文使用了额外的预测模块和记忆模块来解决重构任务在检测局部异常上的不足和容易过拟合的问题。新增的预测模块使用一个额外的预测任务,通过使用已有的观测值来预测下一个时间步的值,从而实现对局部异常更好的检测效果。除此之外,记忆模块通过显示地建模正常模式,确保解码器仅仅通过记忆模块中的向量进行重构,使得对异常样本进行良好重构的概率大大降低。为了验证模型的有效性,通过进行了广泛的实验,实验结果表明了本文提出的方法在时间序列异常检测上的有效性。