Este documento tiene como objetivo construir un Modelo de Detección de Fallos Auto-supervisado para UAVs combinado con un Auto-Encoder. Con el desarrollo de la ciencia de datos, es imperativo detectar fallos en los UAV y mejorar su seguridad. Muchos factores afectan el fallo de un UAV, como el voltaje del generador, el ángulo de ataque y la posición de la superficie del timón. Un UAV es un sistema complejo típico, y sus datos de vuelo son conjuntos de datos de muestras grandes y de alta dimensión. En aplicaciones prácticas como la detección de fallos en UAV, los datos de fallo solo aparecen en una pequeña parte de los conjuntos de datos. En este estudio, se utiliza el aprendizaje de representación para extraer las características normales de los datos de vuelo y reducir las dimensiones de los datos. Los datos normales se utilizan para el entrenamiento del Auto-Encoder, y la pérdida de reconstrucción se utiliza como criterio para la detección de fallos. En este documento se propone un Auto-Encoder Mejorado adecuado para Conjuntos de Datos de Vuelo de UAV. En el Auto-Encoder, utilizamos análisis de wavelet para extraer las señales de baja frecuencia con diferentes frecuencias de los datos de vuelo. El Auto-Encoder se utiliza para la extracción de características y la reconstrucción de las señales de baja frecuencia con diferentes frecuencias. Para mejorar la efectividad de la localización de fallos en la inferencia, desarrollamos un nuevo modelo de localización de factores de fallo, que se basa en la pérdida de reconstrucción del Auto-Encoder y el operador de detección de bordes. Los Conjuntos de Datos de Vuelo de UAV se utilizan para la detección de aterrizajes forzosos, y se obtiene una precisión promedio del 91.01%. En comparación con otros modelos, los resultados sugieren que el Modelo de Detección de Fallos Auto-supervisado desarrollado para UAVs tiene mejor precisión. Concluyendo este estudio, se proporciona una explicación sobre los buenos resultados del modelo propuesto.