La détection des anomalies dans les séries temporelles est essentielle dans de nombreux domaines, tels que la surveillance de systèmes, la santé ou la cybersécurité. Bien que la multitude de méthodes disponibles rende difficile le choix de la méthode la plus adaptée à une application donnée, chaque méthode présente des forces particulières dans la détection de certains types d’anomalies. Dans cette étude, nous comparons six méthodes non supervisées de détection d’anomalies, aux complexités variées, afin d’évaluer si les méthodes plus complexes se comportent généralement mieux, et si certaines méthodes sont plus adaptées à certains types d’anomalies. Nous avons évalué ces méthodes à l’aide de l’UCR Anomaly Archive, une base de données récente utilisée comme référentiel pour la détection d’anomalies. Après avoir ajusté les hyperparamètres nécessaires pour chaque méthode, nous avons analysé les résultats au niveau des jeux de données et des types d’anomalies. En outre, nous avons évalué la capacité de chaque méthode à intégrer des connaissances a priori sur les anomalies, ainsi que les différences entre les caractéristiques ponctuelles et séquentielles. Nos expériences montrent que les méthodes classiques d’apprentissage automatique surpassent généralement les méthodes d’apprentissage profond dans une large gamme de types d’anomalies.