在发电过程中,传统化石燃料的使用带来了严重的环境污染以及全球变暖问题。核电作为一种清洁能源不仅在技术上已经相当成熟,而且具有很强的供应能力。但是核电一旦发生故障,就是极其巨大的事故。纵观历史上几次大的核电事故,无一不造成难以估量的损失。因此研究核电的异常检测、故障诊断等事关核电站安全运行的技术对于促进核电事业进一步朝着安全高效的方向发展有着极大的现实意义和应用价值。在主泵的实际运维中,大都是基于部分测点的信息采用简单的阈值判定方法来检测异常,这种传统的阈值判定具有局限性。一方面,主泵监测信息利用率和状态评价正确率都偏低。另一方面,阈值法难以检测出主泵运行过程中潜伏性的异常和故障。而且由于设备的差异性,阈值往往都是依经验进行设置。基于以上问题,本文提出一种基于单维状态数据特征提取与多维状态数据特征提取组合分析的异常检测模型。对于单维状态数据,使用自回归AR（1）模型拟合获得模型参数,再结合SOM神经网络的量化结果得到单维状态数据随时间变化的过渡概率序列。对于多维状态数据,使用无监督聚类算法OPTICS聚类生成不同的聚类模式。然后根据两类特征提取结果结合异常判定逻辑综合分析,得到本文的异常检测模型。最后将本文提出的异常检测模型应用于某核电站主泵状态数据异常检测。实验结果表明本文所提出的基于单维状态数据特征提取与多维状态数据特征提取的组合分析模型在实时性和准确性上表现良好。为了进一步验证本文方法的性能,将本文方法与传统方法,基于K-means聚类的多维状态数据组合分析方法（AR（1）+SOM+K-means）和基于DBSCAN聚类的多维状态数据组合分析方法（AR（1）+SOM+DBSCAN）进行对比分析,结果再次表明本文方法在实时性和准确性上的优势。