铁塔安全监测无论是对通信铁塔安全还是输电铁塔安全都至关重要。在铁塔工作期间,不断遭受风霜雨雪、电磁场,甚至地震等极端环境的影响,极易发生弯曲变形、倾斜甚至坍塌等重大事故。因此许多学者研究实现了基于无线传感器的铁塔在线监测系统来对铁塔安全进行在线监测和预警,从而提高铁塔运维的效率。在监测系统中如何合理利用收集到的铁塔状态数据进行异常检测和预警是目前工业界的一个重要研究课题。通过无线传感器采集和传输的铁塔状态数据是标准的时间序列数据。本论文从数据的时序性角度出发,针对铁塔状态数据周期短、随机性强、复杂度高、正常数据远多于异常数据等特点,实现基于铁塔状态数据的异常检测算法,以便于铁塔状态监测工作进行。主要研究内容如下:首先,提出基于长短期记忆网络模型预测的异常检测算法,该算法通过长短期记忆网络模型学习铁塔正常状态数据的变化趋势,预测未来时刻的铁塔状态并与真实状态进行对比,根据经验阈值判定铁塔状态。其次,提出基于集成学习方法的长短期记忆网络异常检测方法:LSTM-Bagging和LSTM-Boosting。该算法分别基于集成学习方法Bagging算法和Ada Boost算法的思想,实现改进的长短期记忆网络预测模型。通过预测误差和经验阈值的比较识别铁塔异常状态。最后,提出基于滑动窗口模型的动态阈值方法,该算法在前面研究成果的基础上对实现的异常检测算法进行改进。通过滑动窗口模型和指数滑动平均法获得适应铁塔状态变化趋势的动态阈值。基于集成长短期记忆网络模型和动态阈值的铁塔时间序列异常检测算法有效降低了铁塔状态数据异常检测的漏检率和误报率。本文在铁塔状态监测过程中实现了一个完整的基于预测的铁塔时间序列异常检测算法,并分别对预测模型和阈值进行优化。通过使用实际安装的铁塔设备收集到的数据进行实验,实验结果表明该铁塔状态异常检测算法具有较好性能,可以较好的实现铁塔状态监测。