本发明设计一种基于变换分类的时间序列异常检测方法，通过将基于分类的方法以自监督方式扩展到异常检测领域，通过对正常数据进行训练，学习到数据的正常模式，从而在测试时检测到输入数据中的异常。具体的，本发明将使用适用于时间序列数据的变换方法，对时序数据进行多种变换，将变换后的数据通过深度一类分类的方法映射到超球体特征空间中，通过优化超球体的中心和半径，使模型学到正常数据的鲁棒表示，然后通过预测正确变换的概率算出数据的异常评分，进而判断异常。针对于目前时序异常检测领域存在的未充分考虑时间关系、标记数据缺乏、难以处理高维数据等问题，本发明的主要贡献包括：使用适用于时间序列数据领域的变换，使模型可以学习到带有时间关系的鲁棒表示；通过自动生成数据标签，以自监督的方式来训练模型，利于在标记数据缺乏的场景下进行异常检测；通过使用深度一类分类的方法，而不是传统的机器学习方法，使模型可以对高维的时序数据进行异常检测。