状态感知是一个重要的研究领域。实时准确地检测出系统与数据中的异常可以为系统的监控、灾难的预防、入侵检测等提供重要帮助。而数据在多数领域中都以时间序列的形式进行传输,因此,能够检测出时间序列数据中的异常非常重要。近年来,随着大数据科学与机器学习技术的发展,数据的维度与量级显著增加,传统的单维度时间序列状态感知无法满足当前数据样本的需求,若直接将其移植到多维度领域,则通常无法同时保持算法的准确性与实时性。因此,亟待专门针对多维度时间序列数据设计状态感知算法。基于此,本文提出了基于长短期记忆网络LSTM（Long Short-Term Memory）与高斯混合模型的实时多维度时间序列数据状态感知算法LGMAD。首先,本文对于LSTM神经网络进行改进,在LSTM神经网络的基础之上提出了单维度时间序列数据状态感知算法LSTM-BP,利用LSTM-BP算法对多维度时间序列数据中每个维度的异常先进行单独检测。通过将序列预测值与真实值之间的差异进行对比分析,实现异常的初次筛选,从而得出每个单独维度上的异常分数列表,完成单维度时间序列状态感知,并以此作为多维度时间序列状态感知的基础。其次,对于由LSTM-BP算法筛选出的可能存在异常的时间点,先对当前系统健康度进行计算,根据当前系统健康状态进行判断,筛选出其中需要进一步进行检测的异常点进入多元高斯模型进行联合判定,以检测其是否存在多维度联合异常,最终得出多维度时间序列状态感知的结果。最后,通过实验对LGMAD算法的性能进行验证。本文通过在两种不同类型的数据集上对LGMAD算法进行实验验证,证明了通过LGMAD算法进行状态感知的性能优异,其准确率、召回率、F₁得分等指标数据均明显优于领域内常见的单维度状态感知算法,亦优于领域内领先的多维度状态感知算法。