民用航空运输在交通运输行业的比重不断增长,使得民用航空的安全水平也越来越受到关注。我们需要采取积极主动的安全检测监控措施,提高现有民用航空领域的安全性。飞行品质监控是国际公认的保证飞行安全的重要手段之一,通过数字飞行数据记录器或快速存取记录器所采集的航班飞行数据为研究飞行器不同阶段的运行状态,以及检测事故征候提供了大量的基础数据,利用于实验室级别的模型的构建和算法研究与分析。本文利用机器学习中的核函数与聚类分析技术,以飞行品质监控系统所采集的异构数据作为样本输入,构建了异常检测模型,创新的提出了模型结构和相关算法,分别构建了离散核函数和连续核函数,用于对同时具有连续和离散飞行异构数据进行较为系统的分析与处理。其中我们选择了最长公共子序列作为离散核函数,而对于飞行品质监控数据集中连续类型的数据,我们对其进行符号化离散表示后,再对其进行处理。同时在真实飞行品质监控数据中,使用聚类算法对真实航班进行了聚类。在对样本进行异常检测,确定统计意义上的事故征候后,利用航空领域先验知识对异常航班样本进行深入分析研究。本文所提出的方法通过在模拟数据集和真实飞行品质数据集的运行,验证了算法具有较好的鲁棒性和算法适用性,在异常检出率和运行时间上优于现有的经典异常检测算法。