民用航空运输事业高速发展,使得民用航空的安全水平受到广泛的关注。对飞机状态进行监测、提升飞机维修保障效率,对已发生事故进行有效排查,成为了民航业亟待解决的问题。针对飞行数据的时间序列展开异常检测研究,可为以上场景提供可靠依据。然实际民航运营中飞行数据存在异常样本稀少,整体样本不平衡且缺少标注的问题。本文深入研究了深度学习理论、小样本学习以及生成对抗网络技术,就飞行数据的飞行级异常检测问题,提出了面向飞行数据的时间序列异常检测方法。本文主要完成了以下内容:1.针对飞行数据异常样本稀少,正负样本不平衡的问题,对于已标注或易于标注的数据集,提出了面向小样本的孪生网络异常检测方法。基于分类的方法,先将时间序列通过降维及格拉姆角场编码为图像数据,数据预处理后构建带有正负标签的训练集、支撑集与测试集,通过孪生网络进行有监督学习,度量样本间的欧氏距离实现异常检测。利用美国国家航空航天局模拟飞行数据的人工合成数据集试验,与同样的样本条件下常用深度学习分类的方法相比,有更高的正确率与平衡分数。2.针对实际运营中采集的原始数据缺乏标注且异常样本稀少问题,提出了基于改进生成对抗网络的异常检测方法。该方法不依赖样本数量与标签,实现无监督学习的检测方法。面向飞行数据,输入正常数据样本,应用易收敛的WGAN-GP改进型生成对抗网络模型,模拟生成正常数据样本,计算输入数据与模拟正常数据的巴氏距离,实现对异常数据的检测。通过人工合成数据集试验验证,结果表明,相较常用无监督模型在部分异常检测性能指标上有提升。利用真实运营环境下采集的快速存取记录器数据构建飞行数据集进行试验,验证了该方法的有效性。