针对KPI(Key Performance Indicators,关键性能指标)数据异常的检测和分析是 AIOps(Artificial Intelligence for IT Operations,人工智能IT运维)领域的重要课题。本文主要从单维KPI数据的异常检测和多维KPI数据的异常根因定位两个角度对KPI异常进行研究。当前的异常检测方法通常采用机器学习的方法,从单个时间点而非事件的角度进行异常检测。这类方法既没有有效地利用连续异常区间的标签,也没有关注异常点之间的差异性。因此,由于异常检测的性能不够精确,在实际应用中的效果有限。本文提出了一种基于多阶段机器学习的连续区间异常检测模型,该模型利用了异常区间的连续性对训练集数据进行筛选,并对被检出的真/假异常报告进行重新分类,有效地减少了异常误报的数量。利用滑动窗口提取的多个特征组成的特征集被证明能够较好地描述KPI时间序列的特征。最后,我们在包含25项KPI数据的数据集上进行了综合实验,获得了 0.965的F-score,优于现有的异常检测方案。对于加性多维KPI异常来说,由一项或多项异常根因导致的KPI数据变化会导致大量相关KPI数据值的变化。本文以多维KPI异常传播模型为基础,提出了衡量候选集合成为根因可能性的异常潜在分数评估方案,该方案侧重于异常数据变化模型的相似性。由于时效性是异常定位所关注的重要问题,本文还提出了一种基于影响力的逐层剪枝搜索算法,该算法的使用将异常根因的定位时间降低到了平均约5.3秒。除此之外,我们针对异常根因定位中所使用的时间序列预测算法的准确性和时效性也进行了对比实验。最终我们提出的基于加性多维KPI的异常根因定位模型,在所使用的数据集上的定位表现达到了 0.99 的 F-score。