针对已有基于隐马尔可夫模型(HMM)的时间序列异常检测模型的符号化方法不能很好地表征原始时间序列的问题，提出了一种基于自编码器和HMM的时间序列异常检测方法(AHMM-AD)。首先,通过滑动窗口对时间序列样本进行分段，按照分段位置形成若干时间序列分段样本集，由正常时间序列上不同位置的分段样本集训练各个分段的自编码器；然后,利用自编码器得到每个分段时间序列样本的低维特征表示，通过对低维特征表示向量集的
K-means聚类处理，实现时间序列样本集的符号化；最后,由正常时间序列的符号序列集生成HMM，根据待测样本在已建HMM上的输出概率值进行异常检测。在多个公共基准数据集上的实验结果显示，AHMM-AD比已有的基于HMM的时间序列异常检测模型在精确度、召回率和F1值分别平均提高了0.172、0.477、0.313，比基于autoencoder的时间序列异常检测模型，在这三方面分别平均提高了0.108、0.450、0.319。实验结果表明，AHMM-AD方法能够提取时间序列中的非线性特征，解决已有HMM建模时间序列符号化过程中不能很好表征时间序列的问题，并在时间序列异常检测性能上也有显著提升。
