Impulsado por los rápidos avances en tecnologías de big data y del Internet de las cosas (IoT), los datos de series temporales ahora se utilizan ampliamente en diversos sectores industriales. La identificación precisa de anomalías en datos de series temporales, especialmente dentro de entornos complejos y cambiantes, ha surgido como un enfoque clave en la investigación contemporánea. Este documento propone un marco de detección de anomalías multivariado que combina de manera sinérgica autoencoders variacionales con análisis de discrepancia de asociación. Al incorporar conocimientos previos de asociaciones y mecanismos de asociación de secuencias, el modelo puede capturar dependencias a largo plazo en series temporales y modelar de manera efectiva la discrepancia de asociación entre diferentes puntos temporales. A través de la reconstrucción de datos de series temporales, el modelo mejora la distinción entre puntos normales y anómalos, aprendiendo la discrepancia de asociación durante la reconstrucción para fortalecer su capacidad de identificar anomalías. Al combinar errores de reconstrucción y discrepancia de asociación, el modelo logra una detección de anomalías más precisa. Una extensa validación experimental demuestra que el marco metodológico propuesto logra mejoras estadísticamente significativas sobre los puntos de referencia existentes, obteniendo puntajes F1 superiores en diversos conjuntos de datos públicos. Notablemente, exhibe una capacidad mejorada para modelar dependencias temporales e identificar patrones de anomalías sutiles. Este trabajo establece un nuevo paradigma para la detección de anomalías en series temporales con profundas implicaciones teóricas e implementaciones prácticas.