近年来,由于数据量的大幅度增长和计算机硬件水平的提升,以生成对抗网络（GAN）为主体框架的深度学习逐渐成为热点话题,并在很多领域的应用中取得较好的效果。同时,对多元时间序列数据的异常检测,无论在智能运维还是电力或网络系统监测等方面都起着至关重要的作用。基于深度学习的异常检测比传统的机器学习算法更能挖掘出数据中的特征表示,因此将GAN应用于多元时间序列的异常检测是一个非常重要的研究方向。本文工作主要分为三个方面:第一、分析原始GAN及其变体WGAN的原理,给出GAN的最优生成器和最优判别器存在的证明,并利用原始GAN和WGAN进行手写数字生成实验,比较两种生成对抗网络的性能。第二、对GAN的优化过程通过简化模型进行理论分析,发现原始GAN和WGAN在模型训练过程中,振荡地收敛于均衡解。针对GAN优化过程中的训练不稳定和训练崩溃的问题,基于理论分析的结果对损失函数和优化算法进行改进。本文提出（1）改进的基于梯度惩罚的损失函数,可以避免WGAN中的梯度裁剪,且可以在理论上得到稳定收敛的均衡解;（2）基于正弦变化的权重滑动平均随机梯度下降算法,可以起到2正则的效果,缓解了优化过程中的不稳定现象。同时,应用改进优化算法的GAN模型进行手写数字生成实验,实验结果表明基于改进优化算法的GAN在手写数字生成实验中表现较好。第三、应用GAN以及本文提出的改进GAN对多元时间序列数据进行异常检测处理,并与传统的机器学习异常检测方法进行比较。总体上,本文提出的改进GAN在训练中的收敛性、手写数字生成、时间序列异常检测方面取得了较好的效果。