Con la aplicación generalizada de vehículos aéreos no tripulados (VANT), el sistema de detección de seguridad de los VANT ha creado una necesidad urgente de tecnología de detección de anomalías. Como una representación directa del estado de salud del sistema, los datos de vuelo contienen información crítica sobre el estado, lo que impulsa a los métodos basados en datos a reemplazar gradualmente el modelado dinámico tradicional como el paradigma principal. Los primeros evitan eficazmente los problemas de acoplamiento no lineal y la incertidumbre de parámetros en el modelado dinámico complejo. Sin embargo, los métodos basados en datos aún enfrentan dos desafíos importantes: la escasez de datos de vuelo anómalos y la dificultad para extraer un fuerte acoplamiento espaciotemporal entre los parámetros de vuelo. Para abordar estos desafíos, proponemos un método de detección de anomalías no supervisado basado en la red neuronal gráfica mejorada por causalidad (CEG). CEG introduce de manera innovadora un modelo de causalidad entre los parámetros de vuelo, logrando la extracción dirigida de características espaciales a través de un mecanismo de atención gráfica mejorado por causalidad. Además, CEG incorpora un módulo de extracción de características temporales descompuestas por tendencias para capturar dependencias temporales en datos de vuelo de alta dimensión. Se diseña un paradigma de entrenamiento de regularización de bajo rango para CEG, y se emplea una estrategia de suavizado bidireccional adaptativo residual para eliminar la influencia del ruido. Los resultados experimentales en el conjunto de datos ALFA demuestran que CEG supera a los métodos más avanzados en términos de Precisión, Recall y puntuación F1. El método propuesto permite una detección de anomalías precisa y robusta en una amplia gama de tipos de anomalías, como motores, timones y alerones, validando su efectividad para abordar los desafíos únicos de la detección de anomalías en VANT.