利用多变量时间序列中的复杂变量间因果关系为更强大且可靠的多变量时间序列异常检测（MTSAD）提供了一个有前景的方向，但这一领域仍然是一个未被充分探索的研究领域。本文提出了因果感知对比学习用于鲁棒多变量时间序列（CAROTS），这是一个将因果关系概念融入对比学习的全新MTSAD流程。CAROTS采用了两个数据增强器来获得保留因果关系和扰动因果关系的样本，分别作为广泛的正常变化和合成异常。通过将保留因果关系和扰动因果关系的样本作为正样本和负样本，CAROTS进行对比学习，训练一个编码器，其潜在空间基于因果关系将正常样本和异常样本分开。此外，CAROTS引入了一种相似性过滤的单类对比损失，鼓励对比学习过程逐渐引入更多具有共同因果关系的语义多样样本。在五个真实世界和两个合成数据集上的大量实验验证了因果关系的融合赋予了CAROTS更强的MTSAD能力。代码可在https://github.com/kimanki/CAROTS 获取。