随着大数据时代的到来,海量具有一定拓扑结构的非规则网络数据不断涌现,如社交网络、交通网络等。在实际应用中,传感器通常由于存储空间受限、工作环境恶劣以及计算能力有限而无法稳定工作,导致传感器网络所采集的数据出现异常、缺失等情况。并且,随着传感器的广泛运用,其以数据为中心的特点也逐渐凸显,能否有效地从网络数据中捕获有用信息是评估其应用成功与否的关键因素。因此,网络数据的异常检测问题是当下的研究重点。现有异常检测方法主要包括:基于人工操作的网络异常检测方式,操作繁琐且难以大规模实现;基于数字信号处理（Digital Signal Processing,DSP）的数据异常检测方法,未能有效利用传感器数据节点相互之间所隐含的关联性。基于现有研究存在的困难和不足,近年来,基于图信号处理（Graph Signal Processing,GSP）的网络数据异常检测方法被提出。相较于现有异常检测方法而言,图能够更好地刻画传感器节点之间的关联性。因此,如何利用图信号处理方法更为高效地实现网络数据异常检测以及对异常数据进行修复是当前网络数据研究的热点。本文将从以下两个方面展开研究:（1）针对网络数据异常检测及定位问题,本文提出了一种基于图高通滤波器的双通道异常检测算法,利用网络拓扑结构及网络数据之间的对应关系,实现对传感器网络异常数据的检测及定位。将当前待检测数据与历史数据在顶点域（空间域）分别直接输入到两个图高通滤波器做滤波处理,并利用所设定的判决阈值检测滤波输出结果中是否存在高频分量（异常）。进一步利用所设定的查找规则对异常值所在位置进行确定。通过仿真实验表明,所提出的异常检测算法相对于图频域异常检测方法而言,既提升了异常检测准确率,又实现了对异常节点的定位功能。（2）针对网络异常数据的修复问题,本文提出了一种基于多移位算子的数据修复算法。将网络数据建模为时变图,并利用克罗内克积所构成的多移位算子进行数据关联性刻画,将数据在时间维和空间维的关联性进行融合,从而利用网络节点在多个维度的信息对异常节点的数据进行修复。为了能够更加高效地求解所提出的数据修复的优化问题,设计基于共轭梯度下降法（Conjugate Gradient Descent,CGD）的融合求解方法。通过仿真实验表明,采用CGD融合求解的方式相较于采用梯度下降法（Gradient Descent,GD）求解的方式具有更少的迭代次数,求解效率更高。并且,本文提出的异常数据修复算法比现有基于笛卡尔积图模型的异常数据修复算法具有更优的数据修复性能。