En la industria de la aviación, los objetos extraños (FOD) en las pistas de los aeropuertos son una amenaza seria para las aeronaves durante el despegue y el aterrizaje. Por lo tanto, la detección de FOD es importante para mejorar la seguridad del vuelo de las aeronaves. En este documento, se propone un método de detección de anomalías no supervisado llamado Multi-Scale Feature Inpainting (MSFI) para realizar la detección de FOD en imágenes, en el cual el FOD se define como una anomalía. Este método adopta una red neuronal convolucional profunda (CNN) preentrenada para generar características multiescala para las imágenes de entrada. Basado en las características multiescala, se diseña y entrena un módulo de inpainting de características profundas para aprender a reconstruir la región faltante enmascarada por las máscaras de cuadrícula multiescala. Durante la etapa de inferencia, se obtiene un mapa de anomalías para la imagen de prueba al calcular la diferencia entre la característica original y su reconstrucción. Basado en el mapa de anomalías, se identifican y localizan las regiones anormales. El rendimiento del método propuesto se demuestra en un nuevo conjunto de datos de FOD recopilado y en el conjunto de datos de referencia público MVTec AD. Los resultados muestran que el método propuesto es superior a otros métodos.