En los últimos años, con el rápido desarrollo de la tecnología de Internet, el número de usuarios de tarjetas de crédito ha aumentado significativamente. Posteriormente, el fraude con tarjetas de crédito ha causado una gran cantidad de pérdidas económicas a los usuarios individuales y a las empresas financieras relacionadas. En la actualidad, los métodos tradicionales de aprendizaje automático (como SVM, bosques aleatorios, modelos de Markov, etc.) han sido ampliamente estudiados en la detección de fraudes con tarjetas de crédito, pero estos métodos a menudo tienen dificultades para demostrar su efectividad cuando se enfrentan a patrones de ataque desconocidos. En este artículo, se propone un nuevo marco de detección de fraudes con tarjetas de crédito basado en una red de detección de anomalías atencional no supervisada (UAAD-FDNet). Entre ellos, las transacciones fraudulentas se consideran muestras anormales, y se utilizan autoencoders con atención de características y GANs para separarlas de manera efectiva de los masivos datos de transacciones. Resultados experimentales extensos en el conjunto de datos de detección de fraudes con tarjetas de crédito de Kaggle y el conjunto de datos de detección de fraudes de IEEE-CIS demuestran que el método propuesto supera a los métodos existentes de detección de fraudes.