En la industria de la aviación civil, la gestión del riesgo de seguridad ha pasado de investigaciones y análisis posteriores a accidentes a advertencias previas a accidentes en un intento de reducir los riesgos de vuelo al identificar eventos de vuelo actualmente no rastreados y sus tendencias, y prevenir eficazmente los riesgos antes de que ocurran. El uso de datos de monitoreo de vuelos para la detección de anomalías en vuelos es efectivo para descubrir incidentes de vuelo desconocidos y potenciales. En este documento, proponemos un mecanismo de atención basado en características temporales y construimos un modelo híbrido profundo para la detección de anomalías en vuelos. El modelo híbrido combina un autoencoder convolucional basado en atención de características temporales con el algoritmo de clustering HDBSCAN, donde el autoencoder se construye y entrena para extraer características de vuelo mientras que el HDBSCAN funciona como un detector de anomalías. Se utilizan datos de vuelo de registro de acceso rápido (QAR) que contienen información de aeronaves aterrizando en los aeropuertos internacionales de Kunming Changshui y Chengdu Shuangliu como datos experimentales, y los resultados muestran que (1) el autoencoder convolucional basado en características temporales propuesto en este documento puede extraer mejor las características de vuelo y descubrir además los diferentes patrones de aterrizaje; (2) en el espacio de representación de los vuelos, los objetos de vuelo anómalos están mejor separados de los objetos normales para proporcionar una base de datos de calidad para la posterior detección de anomalías; y (3) los patrones de vuelo descubiertos son consistentes con los de los aeropuertos, resultando en anomalías que podrían interpretarse con el patrón correspondiente. Además, se presentan varios ejemplos de vuelos anómalos en cada aeropuerto para analizar las características de las anomalías.