In questa tesi è affrontato il problema dell’identificazione di anomalie su serie temporali multivariate attraverso modelli di Deep Learning. In particolare si vuole confrontare le prestazioni di un algoritmo LSTM-Autoencoder con un modello più complesso, Multi-scale Convolutional Recurrent Encoder-Decoder. I dati su cui si svolge l’analisi consistono in simulazioni di tre serie temporali multivariate, ognuna delle quali è ottenuta monitorando nel tempo alcuni sensori di un veicolo sportivo che transita sullo stesso percorso ma in tre condizioni diverse: veicolo completamente sano, veicolo con rottura di tipo 1 e con rottura di tipo 2. L’idea che sta alla base dei modelli utilizzati è la stessa: addestrare il modello a riconoscere le caratteristiche più rilevanti del veicolo in condizioni di normalità, affinché la rete sia capace di ricostruire in maniera più precisa i veicoli sani e più errata gli altri, identificando quindi delle anomalie..