针对真实飞行数据中故障样本匮乏、数据类间失衡且缺少标注问题，本文提出了一种基于多尺度卷积神经网络（MSCNN,multi-scale convolutional neural network）与长短时记忆（LSTM,long short-term memory）网络的水平安定面系统状态监测方法。此方法不依赖于标注数据，利用无监督学习的方式对水平安定面系统进行状态监测。首先，利用MSCNN-LSTM对系统正常运行状态的快速存储记录器（QAR, quick access recorder）数据从空间和时间两个维度进行特征提取，以实现舵面位置预测；其次，计算舵面位置预测值与舵面位置实际值的残差，分析残差分布来确定系统健康状态的阈值；最后，利用某飞机的QAR数据进行验证。实验结果表明，本文所提方法能准确实现水平安定面系统飞行级的异常状态识别，并能在系统发生故障时，提前1个飞行循环进行异常预警。