El vehículo aéreo no tripulado (UAV), que es un sistema típico de control de vuelo en bucle cerrado multi-sensor, posee propiedades de multivariable, variabilidad temporal, acoplamiento fuerte y no linealidad. Por lo tanto, es muy difícil obtener un modelo de diagnóstico matemático preciso basado en el método tradicional basado en modelos; este documento propone un método de diagnóstico de sensor UAV basado en métodos basados en datos, que mejora en gran medida la fiabilidad del sistema de control de vuelo no lineal del UAV de rotor y logra una advertencia temprana. Para lograr la detección rápida en línea de fallas del sistema de vuelo del UAV de rotor y resolver los problemas de sobreajuste, generalización limitada y largos tiempos de entrenamiento en la red neuronal superficial tradicional para el diagnóstico de fallas del sensor, se propone un método de diagnóstico de fallas integral basado en la red de creencias profundas (DBN). Utilizando la DBN para reemplazar la red neuronal superficial, se entrena una gran cantidad de datos de muestra históricos fuera de línea obtenidos del UAV de rotor para obtener los parámetros óptimos de la red DBN y completar el diagnóstico inteligente en línea para lograr el objetivo de advertencia temprana lo más rápido posible. Finalmente, se simulan y comparan los dos fallos comunes del sensor UAV, a saber, el fallo atascado y el fallo de desviación constante, con el modelo de red neuronal de retropropagación (BP) representado por la red neuronal superficial para verificar la efectividad del método propuesto en el documento.