异常检测是时序数据挖掘研究中的一类重要问题。由于隐马尔可夫模型（Hidden Markov Model,HMM）能够较好地对非平稳信号建立参数化模型,已被引入到时间序列异常检测研究中。现有基于HMM的时间序列异常检测模型的符号化方法不能很好地表征原始时间序列。飞行品质监控（Flight Operation Quality Assurance,FOQA）按预定的检测标准从快速存取记录器（Quick Access Recorder,QAR）数据中发现超限事件,保障民航飞行安全。接地点远超限事件是一类会增加飞机偏离或冲出跑道风险的不安全事件。目前的FOQA由单一参数——着陆距离定义接地点远超限事件,无法结合多个参数检测并解释发生该事件的原因。本文针对上述问题,开展了以下工作:（1）提出了一种基于Autoencoder和HMM的时间序列异常检测方法（Autoencoder and HMM-based Anomaly Detection,AHMM-AD）。该方法首先通过滑动窗口对时间序列样本进行分段,由正常时间序列上不同位置的分段样本集训练各个分段的自编码器。然后利用自编码器得到每个分段时间序列样本的低维特征表示。通过对低维特征表示向量集的K-means聚类处理,实现时间序列样本集的符号化。最后由正常时间序列的符号序列集生成HMM模型,由待测样本在已建HMM模型的输出概率值进行异常检测。实验结果显示,AHMM-AD方法相比已有的基于HMM的时间序列异常检测模型和基于Autoencoder的时间序列异常检测模型,在精确率、召回率和F1值均有显著提升。（2）提出一种改进AHMM-AD的接地远超限事件检测方法。针对QAR数据的特点,该方法将每个航班的QAR样本分割成能够提取相同飞行阶段特征的数据片段,采用基于LSTM Autoencoder的符号化方法对截取后的数据片段进行符号表示。由（1）中的HMM模型检测发生接地点远超限事件的航班,然后采用Viterbi算法确定事件相对应的数据片段。在真实QAR数据上的实验结果表明文中所提方法能有效检测接地点远超限事件,并且能结合多个QAR参数辅助领域专家解释发生该事件的原因。