网络中包含大量数据,并且这些数据中蕴含着有价值的信息。网络大数据挖掘是利用数据挖掘相关技术从网络大数据中提取模式和知识,例如从网络中的用户历史行为数据中挖掘用户的兴趣信息、在网络时序数据中识别异常数据。目前研究人员已经成功地将深度学习技术应用于网络大数据挖掘的研究工作中,相比于传统的统计学算法,基于深度学习技术的算法的性能具有显著的提升。变分自编码器是一种深度生成模型,并且已经成功地被研究人员应用于网络大数据挖掘的研究工作中。本论文主要针对网络大数据挖掘问题中的网站推荐问题和网络时序数据异常检测问题进行研究。网站推荐是根据用户的网站浏览历史信息,预测用户在不久的将来可能会感兴趣的网站。网站浏览历史信息是隐式反馈信息,隐式反馈信息的数值可表示置信度,因此隐式反馈信息的数值是推荐任务中的有效信息,但大多已有的推荐算法没有利用这些数值信息。针对上述问题,本文提出基于附带边信息的变分自编码器的推荐算法SI-VAE。在SI-VAE算法中,将用户的网站浏览历史信息的数值信息经特殊的标准化处理后融入到边信息中,推荐模型进行网站推荐时能够利用边信息,从而提升推荐性能。在SI-VAE算法中,对变分自编码器的目标函数进行调整,使变分自编码器更适用于网站推荐任务。实验表明:SI-VAE算法的推荐性能优于已有的基于变分自编码器的推荐算法。网络时序数据异常检测的目标是正确地判定网络时间序列中每个时刻的数据点是否异常。网络时间序列数据的变化受多种因素的影响,而一些非异常因素（例如噪声因素、季节性因素）导致的数据波动会增加异常检测的困难性。针对上述问题,本文提出基于时间序列分解方法和循环变分自编码器模型的网络时序数据异常检测算法D-R-VAE。在D-R-VAE算法中,根据时间序列是否具有周期性,分别采用STL方法和HP滤波法对时间序列进行分解,之后保留时间序列中与异常检测相关的组成部分。在D-R-VAE算法中,利用循环VAE模型在处理后的时间序列上进行异常检测。变分自编码器由神经网络实现,循环VAE模型将变分自编码器中部分全连接神经网络处理层调整为LSTM层或RNN层,因此模型能够从时间序列中获取时序依赖性信息。实验表明:D-R-VAE算法的异常检测性能优于已有的基于变分自编码器的时间序列异常检测算法,D-R-VAE模型在时间序列分解处理后的时间序列上进行异常检测可以有效提升模型的异常检测性能。