异常检测是对数据集中存在非正常模式下所产生数据的检测。多维时间序列(Multidimensional Time Series,MTS)是多维变量按时间顺序记录一系列观察值的集合。驾驶交通工具所产生的驾驶数据,是典型的MTS数据。针对驾驶数据的异常检测,是保障生命安全的重要手段。现有的MTS异常检测模型难以准确分析驾驶行为中的异常情况。因此,本研究是为搭建针对MTS中驾驶数据的异常点检测模型,研究范围包括汽车驾驶数据和飞行驾驶数据。QAR(Quick Access Recorder,QAR)数据是典型的飞行驾驶数据。本文围绕MTS数据中的汽车驾驶数据以及QAR数据的异常检测展开以下研究工作:本文提出一种基于混合方法的多维时间序列驾驶异常点检测模型LAIF(Long-short-term-memory based Autoencoder with Isolation Forest)。模型是将深度神经网络和孤立森林算法相结合,对驾驶数据中的异常点进行检测。LAIF首先借助滑动窗口完成原始数据的特征提取,再借助基于长短时记忆网络(Long Short Term Memory,LSTM)的自动编码器进行数据去噪,重构特征数据,使得异常数据更易辨认。最后,利用孤立森林算法进行异常点检测。实验数据集为公开的汽车驾驶数据集UAH-DriveSet,结果表明,模型异常检测的综合性能得到了显著提升。在LAIF模型基础上,本文提出针对QAR数据异常检测的改进模型LAE(LSTM based Auto Encoder)。模型分为两步,特征提取和异常检测。特征提取的方式和LAIF一样。LAE是利用滑动窗口,先提取数据波动特征,而后计算数据统计信息,完成特征提取。LAE借助自动编码器能很好地学习到数据隐含特征的能力,使用正常数据训练自动编码器,使其学习到正常数据的特征。异常检测的核心思想就是异常数据点不具备正常数据点的特征。当异常数据进入模型时,模型输入数据和输出值会存在明显偏差。实验结果表明,较之基准算法,模型在QAR数据上具备良好的异常检测效果。