我国工业领域逐渐趋于自动化、大型化、系统化,而关键生产设备一旦出现特殊工况,将会给整个生产系统造成影响,因此生产设备安全问题逐渐受到人们的重视。传感器网络在许多现实系统(如智能建筑、工厂、电厂和数据中心)中的普及为生产设备生成了大量的多维度时间序列数据。丰富的传感器数据可以通过异常检测持续监控。然而,由于这些系统的动态复杂性,传统的异常检测方法无法及时地做出预测,而有监督的机器学习方法由于缺少标记数据导致庞大的数据量无法被使用。因此,本文针对工业时序数据的预测问题开展研究。本论文主要提出以工业时间序列数据为对象,设计和实现了一种时间序列预测与异常检测算法,并提出通过迁移学习方法优化网络训练效率,本文主要工作包括:首先,提出一种适应于工业时间序列的预测方法,通过对传统门控循环单元(Gated Recurrent Unit,GRU)算法的改进,提高了预测准确度。并与经典的时间序列预测方法进行对比,评估改进后算法的性能。其次,提出了一种基于生成对抗网络(Generative Adversarial Networks,GAN)的无监督多元时序预测方法。以门控循环单元递归神经网络为基础模型(即构成生成器和判别器),在GAN框架下捕获时间序列分布的时间相关性。并且提出了利用生成器与判别器对时序数据异常值进行检测的方法。最后,提出了基于域自适应的时间序列预测迁移学习方法。针对新建的生产线缺少足够训练数据的情况,提出利用其他类似生产线的历史数据进行迁移学习,通过域自适应方法消除数据集的分布差异,从而提高模型训练的速度与预测性能。本课题面向工业制造设备日益强烈的工况以及状态数据分析的需求,针对工业制造设备多参数融合状态预测的核心问题,提出了基于GRU网络的时间序列预测方法、基于生成对抗网络的时间序列异常检测算法、以及基于域自适应的时间序列预测迁移学习方法,不仅能够适应实际不同类型时序数据的应用场景,还有效地提高了工业时间序列预测方法的性能。