时间序列聚类是时间序列数据挖掘研究中的一类重要任务。由于深度神经网络能够通过对原始时序数据进行特征的提取,在降低时序数据维数、提高算法的效率同时,滤除一些不相关的信息,对噪声具有也具有较好的鲁棒性,已被引入到时间序列聚类任务之中。但现有基于深度学习的时间序列聚类算法模型无法较好地捕获时间序列的多尺度特征以及面向聚类的具有不变性的时序特征。异常航班检测是民航安全领域的一项重要任务。时间序列聚类算法在异常航班检测任务中的应用是无监督地从飞行数据中寻找离群点,帮助专家发现异常航班。快速存取记录器（QAR）是一种用于监控、记录飞机飞行过程中的飞行参数和状态的设备。QAR数据包含数百个飞行参数,如飞行姿态数据参数、驾驶员操作参数、发动机主要设备运行参数和飞行环境数据等。而目前的QAR数据聚类算法依赖于通过领域知识来手动构建高质量的特征,无法完整提取时序数据的隐藏模式和信息,限制了模型的聚类效果。本文针对上述问题,开展了以下工作:（1）提出了一种将时间序列数据的多尺度特征提取和聚类目标集成到Seq2seq网络的深度聚类模型,即基于多尺度特征提取的时间序列深度聚类算法（Time Series Deep Clustering Based on Multi-scale Feature Extraction,DTCMFE）。该模型的编码网络结合多个不同尺寸的卷积神经网络和双向门控循环单元网络提取时间序列的多尺度特征。采用基于数据增强的样本生成策略及多分类辅助模块提取时序数据中包含的不变性模式,获得针对时间序列聚类的更好的表示。在多个公开时间序列数据集上进行的实验表明DTCMFE模型的聚类结果在RI指数上指标值优于典型基线模型。（2）提出一种基于深度聚类的QAR数据异常航班检测算法（Abnormal Flight Detection Algorithm Based on QAR Data Based on Deep Clustering,AFD-DC）,该方法采用DTCMFE方法中的基于双向GRU和全连接层的自编码器网络及基于时间序列数据增强的样本生成策略及多分类辅助模块,来提取QAR数据的包含时序间的长距离依赖关系和不变性模式的特征表示。再通过DBSCAN方法对提取的特征进行聚类,将不属于任何簇的点标记为异常航班。在真实QAR数据集上的实验结果表明,AFD-DC能有效检测异常航班,可以通过对多个QAR参数进行分析来解释异常航班发生的原因。