Identificar anomalías de seguridad y vulnerabilidades en el dominio de la aviación es una tarea muy costosa y que consume mucho tiempo. Actualmente, se lleva a cabo a través de revisiones forenses manuales por expertos en la materia (SMEs). Sin embargo, con el aumento de la cantidad de datos producidos en las operaciones del espacio aéreo, depender de tales revisiones manuales es poco práctico. Se han implementado enfoques automatizados, como la detección de excedencias, para señalar eventos de seguridad que superan un umbral de seguridad predefinido. Sin embargo, estos enfoques dependen completamente del conocimiento del dominio y del resultado de las revisiones de los SMEs y solo pueden identificar vulnerabilidades de seguridad que cruzan puramente el umbral. Se han desarrollado enfoques de aprendizaje automático no supervisados y supervisados en el pasado para automatizar el proceso de detección de anomalías y descubrimiento de vulnerabilidades en los datos de aviación, siendo la disponibilidad de datos etiquetados su diferenciador. Los enfoques puramente no supervisados pueden ser propensos a altas tasas de falsas alarmas, mientras que un enfoque completamente supervisado podría no alcanzar un rendimiento óptimo y generalizar bien cuando el tamaño de los datos etiquetados es pequeño. Este es uno de los desafíos fundamentales en el dominio de la aviación, donde el proceso de obtención de etiquetas de seguridad para los datos requiere un tiempo y esfuerzo significativos por parte de los SMEs y no puede ser externalizado a científicos ciudadanos. Como resultado, el tamaño de los datos debidamente etiquetados y revisados es a menudo muy pequeño en la seguridad de la aviación y los enfoques supervisados no alcanzan el rendimiento óptimo con tales datos. En este artículo, desarrollamos un modelo de aprendizaje profundo semi-supervisado robusto y explicable para la detección de anomalías (RESAD) en datos de aviación. Este enfoque aprovecha tanto los conjuntos de datos mayoritarios no etiquetados como los minoritarios etiquetados. Desarrollamos un estudio de caso de detección de anomalías multicategoría en el enfoque de aterrizaje de aeronaves comerciales con el fin de evaluar el rendimiento de RESAD en comparación con métodos de referencia. Además, desarrollamos un esquema de optimización donde el modelo se optimiza no solo para alcanzar la máxima precisión, sino también una deseada interpretabilidad y robustez ante perturbaciones adversariales.