Se propone un enfoque híbrido para detectar anomalías en estructuras de datos naturales complicadas con altos niveles de ruido. El enfoque incluye la aplicación de una red neuronal autoencoder y el análisis de espectro singular (SSA) con un algoritmo adaptativo de detección de anomalías (AADA) desarrollado por los autores. El autoencoder es la quintaesencia del algoritmo de aprendizaje de representación, y proyecta (selecciona) características de datos. Aquí se utilizan autoencoders incompletos. Son un producto del desarrollo del método de componentes principales y permiten aproximar dependencias no lineales complejas. El análisis de espectro singular descompone datos a través de la descomposición singular de trayectorias de matrices y permite detectar la estructura de los datos en el ruido. El AADA se basa en la combinación de transformadas wavelet con funciones de umbral. Las combinaciones de diferentes construcciones de transformación wavelet con funciones de umbral se aplican ampliamente a tareas relacionadas con el procesamiento de datos complejos. Sin embargo, cuando el nivel de ruido es alto y no hay un conocimiento completo de una señal útil, la detección de anomalías no es un problema trivial y requiere un enfoque complejo. Este artículo considera el uso de funciones de umbral adaptativas, cuyos parámetros se estiman sobre una base probabilística. Se introducen umbrales adaptativos y una ventana de tiempo móvil. La eficiencia del método propuesto en la detección de anomalías en datos de monitores de neutrones se ilustra. Los datos del monitor de neutrones registran las intensidades de los rayos cósmicos. Se utilizaron datos del monitor de neutrones de estaciones terrestres. Las anomalías en los rayos cósmicos pueden crear serios peligros de radiación para las personas, así como para las instalaciones espaciales y terrestres. Por lo tanto, el diagnóstico de anomalías en parámetros de rayos cósmicos es bastante actual, y la investigación está siendo realizada por equipos de diferentes países. Una comparación de los resultados para los métodos autoencoder + AADA y SSA + AADA mostró una mayor eficiencia del método autoencoder + AADA. Un aparato de red neuronal más flexible proporciona una mejor detección de anomalías de corto período que tienen estructuras complicadas. Sin embargo, la combinación de SSA y el AADA es eficiente en la detección de anomalías a largo plazo en los rayos cósmicos que ocurren durante fuertes tormentas magnéticas. Por lo tanto, el análisis de datos de rayos cósmicos requiere un enfoque más complejo, que incluye el uso del autoencoder y SSA con el AADA.