La detección de anomalías en grafos (GAD) tiene como objetivo identificar nodos o aristas que se desvían de patrones normales. Sin embargo, la presencia de aristas heterofílicas en los grafos conduce a problemas de sobre-suavizado de características. Para superar esta limitación, este artículo propone el modelo de red resistente a la heterogeneidad de múltiples vistas (MV-GHRN), que purifica progresivamente las aristas heterofílicas a través de la colaboración de múltiples vistas. Primero, para abordar la sensibilidad al ruido de las predicciones individuales, el método calcula puntuaciones de post-agregación (PA) tanto para el grafo original como para sus versiones perturbadas y realiza una fusión ponderada, aprovechando la consistencia de múltiples perspectivas de predicción para mejorar la fiabilidad de la identificación de aristas heterofílicas. En segundo lugar, se introduce una vista de similitud coseno como una perspectiva estructural complementaria, con ambas vistas completando de manera independiente la poda de aristas heterofílicas para limpiar la estructura del grafo desde dimensiones topológicas y de características. Finalmente, se diseña un mecanismo de auto-destilación entre vistas, utilizando las predicciones fusionadas de las dos vistas purificadas como señales de maestro para guiar la optimización de cada vista en reversa, corrigiendo los sesgos de características causados por aristas heterofílicas. Los experimentos en conjuntos de datos de referencia como YelpChi y Amazon demuestran que el marco supera significativamente los métodos existentes. Por ejemplo, en el conjunto de datos de YelpChi, MV-GHRN supera la mejor línea base en un 16.8% y un 5.2% en F1-Macro y AUC, respectivamente, validando la efectividad del mecanismo de purificación progresiva de múltiples vistas.