物联网数据异常检测是物联网、大数据和机器学习等技术融通结合的应用场景之一。异常检测对提升物联网系统的安全性、稳定性以及所采集数据的准确性有重要意义。然而,传统物联网云平台不支持机器学习模型的部署,这给物联网大数据的开发利用带来了桎梏。目前主流的解决方法是在Iaa S云主机上部署算法模型来实现异常检测端,但是这种方式存在“闲时计费”问题,成本高昂,且伸缩性和通用性较差。因此,如何在现有异常检测算法的基础上作出改进和创新,并在物联网场景中实现实时、通用、准确且低成本的异常检测是本文面临的主要挑战。为了解决上述问题,本文创新性地实现了一种基于无服务器架构的物联网数据异常检测系统,具体贡献如下:1.在无监督场景中创新性地将深度嵌入聚类引入异常检测领域中,提出了基于深度嵌入聚类的无监督异常检测算法;在半监督场景中对现有的ADOA（Anomaly Detection with partially Observed Anomalies）异常检测算法作出了改进。提升了两种场景下的异常检测效果。2.创新性地将无服务器架构与物联网场景结合,改善了传统物联网云平台难以部署机器学习模型的痛点。无服务器架构具有的事件驱动、自动缩扩容、按调用次数计费等特点能在提升物联网系统性能的同时大幅降低服务成本。3.基于OneNET物联网云平台和阿里云函数计算平台开发了一个通用、准确、实时且低成本的物联网数据异常检测系统,并在城市垃圾填埋场传感器数据集上进行了案例研究。为了验证本文提出算法及系统的优越性,本文在ODDS系列数据集以及真实物联网数据集上进行了实验,并在Iaa S云主机和无服务器架构下分别部署进行对比。结果表明,本文提出算法及系统在异常检测的准确性、响应延迟、吞吐率和服务成本等方面均更具优势。