Existen algunos problemas, como umbrales inciertos, alta dimensión de los parámetros de monitoreo y relaciones de parámetros poco claras en la detección de anomalías en la trayectoria de gas de motores aéreos. Estos problemas dificultan la alta precisión de la detección de anomalías. Con el fin de mejorar la precisión de la detección de anomalías en la trayectoria de gas de motores aéreos, se propone un método basado en el Campo de Transición de Markov y LSTM en este artículo. La correlación entre los datos QAR de alta dimensión se obtiene a partir del Campo de Transición de Markov y la agrupación jerárquica. Según el análisis de correlación de los datos QAR de alta dimensión, se construye una red LSTM de múltiples entradas y múltiples salidas para realizar una predicción rodante de un paso. Se construye un modelo de mezcla gaussiana de los residuos entre el valor predicho y el valor verdadero. Se aplica la regla de tres sigma para detectar valores atípicos basándose en el modelo de mezcla gaussiana de los residuos. Los resultados experimentales muestran que el método propuesto tiene una alta precisión para la detección de anomalías en la trayectoria de gas de motores aéreos.