伴随互联网浪潮推动相关行业朝着工业智能化、信息数据化飞速发展,各行各业产生并积累了海量数据,其数据量呈现出了指数级的上升趋势,信息时代步入了大数据时代。作为大数据研究的重要分支,时序数据分析能够获取系统运行中的关键信息,在各行业中具有广泛应用前景,在国内外相关领域研究中受到了诸多关注。突变点检测技术能够从整体数据快速定位到突变点,根据突变点位置信息分析数据波动原因。由于传统的数据流突变点检测技术在处理大规模时序数据时,存在耗时较高、抗干扰能力较弱等问题,不能有效的满足数据流检测的需求。为了有效提高时序数据病变状态的快速分析等问题,本文基于多路搜索数（TSTKS）突变点检测算法与滑动窗口相结合的方法,给出了多突变点的快速检测模型;采用波动向量的模板匹配与隶属度解析方法,提出了一种时序数据快速分析与状态诊断的系统架构;基于癫痫等病变条件下的时序数据,初步构建病变数据状态分析的专家系统模型,实现数据异常状态检测,癫痫病变状态分类,以及病变诊断的异常检测。首先,基于TSTKS突变点检测算法与滑动窗口相结合的方法,给出了多突变点的快速检测模型。通过TSTKS算法多突变点检测模型提取每个窗口波动量作为窗口分布特征,将多个连续波动量定义为波动向量,提出了基于波动向量的模板匹配与隶属度解析算法对异常时序数据快速检测和分析。其次,采用波动向量的模板匹配与隶属度解析方法,提出了一种时序数据快速分析与状态诊断的系统架构。根据癫痫脑电信号在发病状态的波动特征不同,选取实际癫痫数据进行实验,采用波动向量的模板匹配与隶属度解析的方法对癫痫脑电信号的不同病变状态建立对应的标准模板库,对癫痫病变数据快速检测,通过与基于相关系数和基于Manhattan距离的模板匹配方法进行对比分析。最后,基于脑癫痫等病变条件下的时序数据,初步构建病变数据状态分析的专家系统模型。基于波动向量的模板匹配与隶属度解析方法和基于病变状态的多分类研究的基础上,构建了一个基于病变状态分析的专家系统模型,设计癫痫疾病诊断专家系统模型的知识库和推理机制,实现对大规模病变数据的快速检测及局部病变状态的分类,应用于辅助病理分析诊断。通过仿真实验数据确定了最佳的滑动窗口宽度与波动向量维度的大小关系,验证了波动向量作为时序数据状态快速检测的可行性。实验结果表明,本文提出的模板匹配方法更具有优势,检测效果更佳。此外,针对癫痫患者的三种主要的癫痫病变状态,引入支持向量机多分类器进行病变状态的特征提取,实现病变状态的分类。实验表明,该方法对癫痫病变数据的状态分类效果显著,能够在很短的时间内快速定位病变数据以及对其病变状态进行准确推理诊断,可用于辅助医师进行病理分析诊断。