Con la miniaturización de los dispositivos de comunicación, el número de dispositivos electromagnéticos distribuidos está aumentando. Para lograr una gestión efectiva del espectro electromagnético, la predicción y detección de anomalías en el espectro se ha vuelto cada vez más crítica. Este documento propone un marco algorítmico para detectar anomalías en el espectro utilizando técnicas de aprendizaje profundo. Más específicamente, el marco incluye la predicción del espectro y la detección de anomalías. Utilizamos el método de ventana deslizante para dividir la serie temporal, construir datos históricos de múltiples escalas temporales y entrenar el modelo con datos normales para tener una alta capacidad de predicción de espectro de precisión. Analizamos y determinamos la función discriminante para distinguir las anomalías espectrales calculando las diferencias entre los datos predichos y reales. Los resultados experimentales muestran que el método propuesto supera a los algoritmos de referencia existentes basados en datos de medición de espectro del mundo real y datos de anomalías simuladas.