Con el rápido desarrollo de los VANT (Vehículos Aéreos No Tripulados), la detección de estados anormales se ha convertido en una tecnología crítica para garantizar la seguridad de vuelo de los VANT. Los datos del sistema de posición y orientación (POS), etc., utilizados para evaluar el estado de vuelo de los VANT provienen de diferentes sensores. El modelo tradicional de detección de estados anormales ignora la diferencia de los datos POS en el dominio de la frecuencia durante el aprendizaje de características, lo que conduce a la pérdida de información clave de características y limita la mejora adicional del rendimiento de detección. Para hacer frente a esto y mejorar la seguridad de vuelo de los VANT, este documento presenta un método para detectar el estado anormal de un VANT basado en un segmento de marca de tiempo y una red neuronal convolucional multi-separable (TS-MSCNN). En primer lugar, TS-MSCNN divide los datos POS de manera razonable en el dominio del tiempo mediante la configuración de un conjunto de marcas de tiempo específicas y luego extrae y fusiona las características clave para evitar la pérdida de información de características. En segundo lugar, TS-MSCNN convierte estos datos de características en imágenes en escala de grises mediante la reconstrucción de datos. Por último, TS-MSCNN utiliza una red neuronal convolucional multi-separable (MSCNN) para aprender características clave de manera más efectiva. Los experimentos de clasificación binaria y multiclase realizados en los datos reales de vuelo, Air Lab Fault and Anomaly (ALFA), demuestran que TS-MSCNN supera a los métodos tradicionales de aprendizaje automático (ML) y los últimos métodos de aprendizaje profundo en términos de precisión.