时间序列异常检测是时间序列分析中的重要任务之一，然而现实世界中多维时间序列的异常检测任务存在时间模式复杂、表征学习困难等问题。针对上述问题，提出一种融合小波分解的多尺度时间序列异常检测（WMAD）方法。具体地，以多时间窗口的方式，将时间序列的时间模式统一融合入二维堆叠的时间窗口中，增强多时间模式提取能力；同时，从频域角度引入小波变换，将原始序列分解为蕴含不同频率分量的时间变化模式，从长时间的趋势变化和短时间的瞬时变化角度捕捉复杂时间模式；借鉴卷积网络的特征提取能力，采用多尺度卷积网络自适应地聚合不同尺度的时序特征；增加包含空间和通道两种注意力机制的注意力模块，在增强多尺度特征提取能力的基础上提高关键信息的提取能力，进而提高精度。在SWaT（Secure Water Treatment）、SMD（Server Machine Dataset）和MSL（Mars Science Laboratory）等5个公共数据集上的异常检测结果显示，WMAD方法的F1值与MSCRED（MultiScale Convolutional Recurrent Encoder-Decoder）方法相比提高了3.62~9.44个百分点；与TranAD（deep Transformer networks for Anomaly Detection）方法相比提高了3.86~11.00个百分点，与其他代表性方法相比也有所提高。实验结果表明，WMAD方法能够捕获时间序列中的复杂时间模式，缓解表征困难问题，同时具有较好的异常检测性能。
