针对多变量时间序列异常检测中数据复杂度增加、跨时间尺度依赖复杂的问题，传统方法难以同时捕获时间动态特征与序列间复杂相关性。为此，本文提出MSCENet框架，通过先进的时空学习与多尺度学习技术提升检测精度。该框架包含三个核心模块：细粒度时间卷积模块利用扩张卷积捕获短时和长时模式；将序列间关系建模为图结构，采用Mixhop图卷积自适应捕获不同时间尺度下的空间依赖；多尺度门控卷积模块通过门控机制融合时空属性，实现多尺度微小变化的检测。实验在SMD、PSM和SWaT三个真实数据集上验证了MSCENet的有效性，表明其能适应复杂时间序列数据环境中的异常检测。论文主要贡献在于提出了一种集成多尺度相关增强的端到端框架，为多变量时间序列异常检测提供了高性能解决方案。适合时间序列异常检测研究者、安全分析师及运维工程师阅读。