El documento propone un método de detección de anomalías para UAVs basado en la descomposición wavelet y un autoencoder apilado de denoising. Este método tiene en cuenta el impacto negativo de los datos ruidosos y las capacidades de extracción de características de los modelos de aprendizaje profundo. Su objetivo es mejorar la precisión del método de detección de anomalías propuesto con métodos de descomposición wavelet y autoencoder apilado de denoising. La detección de anomalías basada en datos de vuelo de UAV es un método importante para el monitoreo de condiciones de UAV y la minería de estados anormales potenciales, lo que es un medio importante para reducir el riesgo de accidentes de vuelo de UAV. Sin embargo, la diversidad de los escenarios de misión de UAV conduce a un entorno complejo y duro, por lo que los datos adquiridos se ven afectados por el ruido, lo que plantea desafíos para una detección precisa de anomalías basada en datos de UAV. En primer lugar, utilizamos la descomposición wavelet para eliminar el ruido de los datos originales; luego, utilizamos el autoencoder apilado de denoising para lograr la extracción de características. Finalmente, se utiliza el clasificador softmax para realizar la detección de anomalías de UAV. Los resultados experimentales demuestran que el método propuesto aún tiene un buen rendimiento en el caso de datos ruidosos. Específicamente, la precisión alcanza el 97.53%, la precisión es del 97.50%, el recall es del 91.81% y el F1-score es del 94.57%. Además, el método propuesto supera a los cuatro modelos de comparación con un rendimiento más destacado. Por lo tanto, tiene un potencial significativo para reducir los accidentes de vuelo de UAV y mejorar la seguridad operativa.