La detección de anomalías es crucial en diferentes ámbitos, desde ciberseguridad hasta prevención de fraudes. Los gráficos, hábiles en modelar relaciones intrincadas, ofrecen un marco flexible para capturar estructuras de datos complejas. Este documento propone un enfoque novedoso de detección de anomalías, combinando Redes Convolucionales de Grafos (GCNs) y Agrupamiento Espacial Basado en Densidad de Aplicaciones con Ruido (DBSCAN). GCNs, un modelo especializado de aprendizaje profundo para datos de gráficos, extrae representaciones significativas de nodos y bordes al incorporar la topología del gráfico y la información de atributos. Esto facilita el aprendizaje de incrustaciones de nodos expresivas que capturan patrones estructurales locales y globales. Para la detección de anomalías, se emplea DBSCAN, un algoritmo de agrupamiento basado en densidad efectivo para identificar grupos de densidades variables en medio del ruido. Al definir un umbral de distancia mínimo y un número mínimo de puntos dentro de esa distancia, DBSCAN distingue eficientemente elementos normales del gráfico de anomalías. Nuestro enfoque implica entrenar un modelo GCN en un conjunto de datos de gráficos etiquetados, generando incrustaciones de nodos etiquetadas de manera apropiada. Estas incrustaciones sirven como entrada a DBSCAN, identificando grupos y aislando anomalías como puntos de ruido. La evaluación en conjuntos de datos de referencia destaca el rendimiento superior de nuestro enfoque en la detección de anomalías en comparación con métodos tradicionales. La fusión de GCNs y DBSCAN demuestra un potencial significativo para la detección precisa y eficiente de anomalías en gráficos. Esta investigación contribuye a avanzar en la detección de anomalías basada en gráficos, con aplicaciones prometedoras en ámbitos donde salvaguardar la integridad y seguridad de los datos es primordial.