随着经济和科技的快速增长与发展,民用货运和客运需求与航空运力不匹配的矛盾日益加深,然而在原有的民航交通管理体系下单纯增加运力会导致飞行安全等管理问题,所以只有通过改善和保障导航监视质量,缩小飞行安全间隔,能消除运力激增带来的空管问题。航空监视的主要手段之一是广播式自动相关监视系统（ADS-B）,自无线电广播技术和信息技术的发展以来,ADS-B系统的稳定性不断受到射频干扰和网络攻击的挑战。因此,解决上述问题的关键在于及时发现系统存在的异常和漏洞,并及时做出应对。本文研究基于数据驱动的ADS-B异常检测算法主要是针对固定航线的航班数据进行异常检测。首先,分析ADS-B系统组成、通信数据链的种类和特点、存在的安全问题,并对已有的安全问题解决策略进行对比。其次,数据分析与清洗,ADS-B报文更新速度快,数据间关联性强,海量的历史监视数据为构建训练异常检测模型提供了基础。在发送、传输和接收的通信过程中,众多不确定的环境因素会对航迹监视报文造成干扰,数据存在丢失和错误的情况。为保证异常检测模型的准确性,模型训练之前需要对数据进行筛选和清洗。然后,分别采用基于Kmeans聚类、基于编解码器和超球分类器的两种异常算法进行检测。基于Kmeans聚类是先对正常的历史飞行数据进行特征构造,利用不同属性间物理特性、特征的变化率等构造的新特征进行聚类,并计算每类的距离均值,作为测试数据的判断阈值。测试数据进行特征处理后,计算特征样本到各类质心的距离并提取最小距离,若该距离超过对应类的阈值则为异常数据。基于编解码器和超球分类器的异常检测算法是采用正常的历史数据训练LSTM编解码器,用前几个时刻数据重构下一时刻的数据,重构和原始序列的误差序列再训练SVDD分类器。训练好的编解码器将测试数据进行重构,重构数据与原数据计算重构误差,将误差值放入分类器中分类,若数据重构误差若大于阈值,则检测为异常数据。本文利用opensky真实飞行数据对上述两种模型进行了验证,基于特征构造的聚类模型适用于特定异常的检测,而基于编解码器和超球分类器的模型对文中所有异常具有通用性。