La detección de anomalías en series temporales a través de métodos no supervisados ha sido un área de investigación activa en los últimos años debido a su enorme potencial para la gestión de redes. La representación y reconstrucción de series temporales han experimentado un progreso extraordinario en trabajos existentes. Sin embargo, se sabe que las series temporales son complejas en términos de su dependencia temporal y estocasticidad, lo que dificulta la detección de anomalías. Con este fin, proponemos un enfoque novedoso basado en redes auto-transformadoras de descomposición (DATN) para la detección de anomalías en series temporales. La serie temporal se descompone en componentes estacionales y de tendencia, y se renueva como un modelo profundo de bloque interno básico. Con este diseño, los transformadores pueden descomponer series temporales complejas de manera progresiva. También diseñamos un bloque auto-transformador que determina dependencias y agregación de representación a nivel de subseries basado en componentes estacionales y de tendencia de la serie. Además, el complejo decodificador de transformador se reemplaza por un decodificador lineal simple, lo que hace que el modelo sea más eficiente. Experimentos extensos en varios benchmarks públicos demuestran que nuestro método ha logrado un rendimiento de vanguardia.