Este documento propone un algoritmo de detección y corrección de anomalías de datos para el sistema IoT de plantación de té basado en aprendizaje profundo, con el objetivo de abordar las características de datos anormales de múltiples causas y múltiples características. El algoritmo se basa en la estandarización Z-score de los datos originales y la determinación del tamaño de la ventana deslizante según la frecuencia de muestreo. Primero, se construye un modelo de red neuronal convolucional (CNN) para extraer datos anormales. En segundo lugar, basado en el algoritmo de máquina de vectores de soporte (SVM), se utilizan la función de base radial gaussiana (RBF) y el método de multiclase uno a uno (OVO) para clasificar los datos anormales. Luego, después de extraer los puntos temporales de los datos anormales, se establece una red neuronal de memoria a corto y largo plazo para la predicción con datos históricos multifactoriales. Los valores predichos se utilizan para reemplazar y corregir los datos anormales. Cuando se detectan múltiples valores anormales consecutivos, se emite un juicio de sensor defectuoso y se muestra la ubicación específica del sensor defectuoso. Los resultados muestran que la tasa de precisión y la microespecificidad de la detección de datos anormales para el modelo CNN-SVM son un 3-4% y un 20-30% más altas que las del modelo CNN tradicional, respectivamente. El algoritmo de detección y corrección de anomalías para datos de plantaciones de té establecido en este documento proporciona un rendimiento preciso.