La detección de anomalías tiene un impacto importante en el desarrollo de vehículos aéreos no tripulados, y una detección de anomalías efectiva es fundamental para su utilización. La detección de anomalías tradicional discrimina anomalías para factores unidimensionales de datos de sensores, lo que a menudo tiene un rendimiento deficiente en escenarios de datos multidimensionales debido a la débil escalabilidad computacional y al problema de la catástrofe dimensional, ignorando las correlaciones potenciales entre los datos de sensores y cierta información importante de ciertas características. Con el fin de capturar la correlación de los datos de sensores multidimensionales y mejorar la precisión de la detección de anomalías de manera efectiva, se propone en este artículo GTAF, un modelo de detección de anomalías para secuencias multivariadas basado en una red neuronal gráfica mejorada con un transformador, un mecanismo de atención gráfica y un mecanismo de fusión multicanal. Primero, añadimos una estructura de transformador multicanal para la extracción de patrones intrínsecos de diferentes datos. Luego, combinamos la estructura de transformador multicanal con la red de atención gráfica original de GDN (GAT) para lograr una mejor captura de características de series temporales, un mejor aprendizaje de las dependencias entre series temporales y, por lo tanto, la predicción de valores futuros de series temporales adyacentes. Finalmente, añadimos un módulo de fusión de datos multicanal, que utiliza atención de canal para integrar información global y mejorar la precisión de la detección de anomalías. Los resultados de los experimentos muestran que las precisiones promedio de GTAF, el modelo de detección de anomalías propuesto en este artículo, son del 92.83% y del 96.59% en dos conjuntos de datos de sistemas no tripulados, respectivamente, lo que tiene una mayor precisión y eficiencia computacional en comparación con otros métodos.