El moderno Sistema Nacional de Espacio Aéreo (NAS) es un sistema extremadamente seguro y la industria de la aviación ha experimentado una disminución constante en las fatalidades a lo largo de los años. Esto se debe en parte a que las aerolíneas, los fabricantes, la FAA y las instituciones de investigación trabajan continuamente para mejorar la seguridad de las operaciones. Sin embargo, el enfoque actual para identificar vulnerabilidades en las operaciones del NAS se basa en la experiencia en el dominio utilizando conocimientos sobre cómo debería comportarse el sistema dentro de las tolerancias esperadas a los márgenes de seguridad conocidos. Este enfoque funciona bien cuando el sistema tiene una condición operativa bien definida. Sin embargo, las operaciones en el NAS pueden ser altamente complejas con diversas matices que dificultan la evaluación del riesgo basado en vulnerabilidades de seguridad predefinidas. Además, los modelos de aprendizaje automático de última generación que se desarrollan para la detección de eventos en datos aeroespaciales suelen depender del aprendizaje supervisado. Sin embargo, en muchos problemas del mundo real, como la seguridad de los vuelos, crear etiquetas para los datos requiere una experiencia especializada que consume tiempo y, por lo tanto, es en gran medida impráctica. Para abordar este desafío, desarrollamos un Auto-Encoder Variacional Convolucional (CVAE), un modelo generativo profundo no supervisado para la detección de anomalías en datos de series temporales de alta dimensión. Validando en los datos de referencia de Yahoo, así como en un estudio de caso de identificación de anomalías en los despegues de vuelos comerciales, mostramos que el CVAE supera tanto a los enfoques clásicos como a los basados en aprendizaje profundo en precisión y recuperación de la detección de anomalías.