【摘要】针对电气实验数据中的异常检测问题，本文提出了一种基于卷积自编码器与长短期记忆（ＬＳＴＭ）网络相结合的深度学习模型。 通过构建“卷积特征提取－ＬＳＴＭ 时序建模”的级联架构，在编码阶段采用卷积核并行扫描多维电气参数的空间关联模式，同时在 ＬＳＴＭ 模块中引入门控机制捕捉设备状态演化的时间动态特性，实现了空间特征与时序依赖的协同表征。 为解决传统单模态建模方法在复杂电气数据中的表征局限，本模型设计了双路径特征融合机制，将卷积输出的空间张量经维度重构后输入 ＬＳＴＭ 网络，通过时空特征的联合优化提升异常敏感度。 模型在准确率、召回率、精确度和 Ｆ１ 值等指标上均优于传统的支持向量机、Ｋ－近邻和随机森林等方法。 实验结果表明：所提出的模型在电气实验数据的异常检测任务中具有较强的鲁棒性和较高的检测准确性，能够有效识别数据中的异常样本。