Los vehículos aéreos no tripulados (VANT) están equipados con varios sensores para facilitar el control y la navegación. Sin embargo, los sensores de los VANT son altamente susceptibles a daños en entornos de vuelo complejos, lo que lleva a accidentes graves y pérdidas económicas. Aunque los métodos de diagnóstico de fallas basados en redes neuronales profundas se han aplicado ampliamente en el campo mecánico, estos métodos a menudo no logran integrar información de múltiples fuentes y pasan por alto la importancia del conocimiento previo del sistema. Como resultado, este estudio emplea una red de convolución gráfica de diferencia espacio-temporal (STDGCN) para el diagnóstico de fallas de los sensores de VANT, donde la estructura gráfica organiza naturalmente los diversos sensores. Específicamente, una capa de diferencia mejora la capacidad de extracción de características de los nodos gráficos, y los módulos de convolución gráfica espacio-temporal están diseñados para extraer dependencias espacio-temporales de los datos de los sensores. Además, para garantizar la precisión del gráfico de asociación, esta investigación introduce el modelo dinámico del VANT como conocimiento previo para construir el gráfico de asociación. Finalmente, se lograron precisiones de diagnóstico del 94.93%, 98.71% y 92.97% en tres conjuntos de datos autoconstruidos. Además, en comparación con los enfoques comúnmente utilizados basados en datos, el método propuesto demuestra capacidades superiores de extracción de características y alcanza la mayor precisión de diagnóstico.