在现代工业应用中，高效地实现多变量时间序列数据的异常检测与诊断具有重要意义。然而，构建一个能够快速且准确识别异常观测的系统仍面临巨大挑战，主要原因包括异常标签的缺失、数据的高度波动性，以及现代应用对超低推理时延的严苛要求。尽管近年来深度学习在异常检测领域取得了显著进展，但能够同时应对上述所有挑战的方法仍寥寥无几。本文提出了一种基于深度Transformer网络的异常检测与诊断模型——TranAD。该模型采用基于注意力机制的序列编码器，能够利用数据中更广泛的时序趋势信息，实现快速推理。TranAD通过基于焦点得分的自条件机制，实现鲁棒的多模态特征提取，并结合对抗训练提升模型稳定性。此外，模型无关的元学习（Model-Agnostic Meta Learning, MAML）使模型能够在数据有限的情况下高效训练。在六个公开可用数据集上的大量实证研究结果表明，TranAD在检测与诊断性能上均显著优于当前最先进的基线方法，且具备更高的数据利用效率与训练效率。具体而言，TranAD的F1分数最高可提升17%，同时训练时间相比基线方法最多可减少99%。