Actuellement, les technologies multi-capteurs sont largement appliquées dans divers domaines, tels que les soins de santé (HC), la reconnaissance des activités humaines (HAR) et les systèmes de contrôle industriel (ICS). Ces capteurs peuvent générer une quantité importante de données temporelles multivariées. La détection d’anomalies non supervisée sur les séries temporelles multi-capteurs s’est avérée essentielle dans les recherches en apprentissage automatique. Le défi principal réside dans la découverte de modèles normaux généralisés en capturant les corrélations spatiales et temporelles présentes dans les données multi-capteurs. En outre, les données bruitées sont fréquemment intégrées aux données d’entraînement, ce qui peut induire en erreur le modèle, rendant difficile la distinction entre données normales, anormales et bruitées. Peu de travaux antérieurs ont abordé conjointement ces deux défis. Dans cet article, nous proposons un nouvel algorithme de détection d’anomalies basé sur l’apprentissage profond, nommé Réseau de mémoire à autoencodeur convolutif profond (CAE-M). Nous construisons d’abord un autoencodeur convolutif profond pour modéliser la dépendance spatiale des données multi-capteurs, en utilisant un écart de moyenne maximale (MMD) afin de mieux distinguer les données bruitées, normales et anormales. Ensuite, nous concevons un réseau de mémoire composé de prédictions linéaires (modèle autorégressif) et non linéaires (LSTM bidirectionnel avec attention) pour capturer la dépendance temporelle à partir des séries temporelles. Enfin, le modèle CAE-M optimise conjointement ces deux sous-réseaux. Nous comparons empiriquement notre approche avec plusieurs méthodes de détection d’anomalies de pointe sur des jeux de données HAR et HC. Les résultats expérimentaux démontrent que notre modèle propose une performance supérieure à celle des méthodes existantes.