随着数字化的持续发展,各行各业都积累了大量的数据,对这些数据的有效利用可以带来价值,其中时间序列作为数据的一种表现形式而广泛存在,如企业为了提供稳定服务或者安全原因而监控和收集的各种性能指标数据。时间序列异常检测作为数据序列分析的一个任务也得到了大量关注,如企业智能化运维系统能力中就包含异常检测这一关键组成部分,并且随着深度学习技术的发展,更多的数据加上更强大的模型,都为时间序列异常检测带来了更好的表现。虽然深度学习技术的应用促进了时间序列异常检测的发展,但目前的研究仍然存在一些难点与不足。时间序列异常检测问题的困难本质上是时间序列数据本身的复杂性与多样性造成的,如时间序列数据的时序依赖性、类别不均衡、难以有效获取标签等问题。在实际的异常检测应用中,异常出现的比例很小,因此大多数研究都聚焦于学习数据的正常模式,其中常用的就是基于预测的模型。针对上述问题,本文通过借鉴自然语言处理和计算机视觉领域最新的掩蔽建模方法,提出了一种掩蔽卷积自编码器模型,该模型属于自监督表示学习范式。不同于基于预测的模型,它通过对输入数据进行随机掩蔽然后仅对掩蔽部分进行重建来学习数据的正常模式。本文通过在两个公共数据集的实验证明,本文提出的模型具备较好的检测效果,并且引入的时间信息编码也在一定程度上提高了模型的性能,同时发现该模型即使在掩蔽率很高的情况下依然能够保持性能,甚至有所提高,进一步证明了模型的有效性。