La detección de anomalías en oleoductos y gasoductos basada en señales acústicas enfrenta actualmente desafíos, incluyendo muestras anómalas limitadas, variaciones en las distribuciones de datos de audio en diferentes condiciones de operación y la interferencia del ruido de fondo. Estos desafíos conducen a una reducción en la precisión y eficiencia en la detección de anomalías en oleoductos. El principal desafío en la detección de anomalías de audio en oleoductos basada en reconstrucción es prevenir la pérdida de información crítica y asegurar la reconstrucción de alta calidad de los mapas de características. Este documento propone un método de detección de anomalías en oleoductos denominado GANomaly de Fusión de Características Multiescala con Atención de Vecindario Dilatada. En primer lugar, para mitigar la pérdida de información durante el aumento de la profundidad de la red, se propone un módulo de Fusión de Características Multiescala para fusionar los mapas de características codificados y decodificados en diferentes dimensiones, mejorando los detalles de bajo nivel y la información semántica de alto nivel. En segundo lugar, se introduce un módulo de Atención de Vecindario Dilatada para asignar diferentes pesos a los vecindarios en varias tasas de dilatación, extrayendo interacciones de canal y relaciones espaciales entre el píxel actual y sus vecindarios. Finalmente, para mejorar la calidad del espectro reconstruido, se diseña una función de pérdida basada en el Índice de Medida de Similitud Estructural, considerando tanto las diferencias a nivel de píxel como las estructurales para mantener las características estructurales del espectro reconstruido. MFDNA-GANomaly logró un AUC del 92.06%, una precisión del 93.96% y un F1-score de 0.955 en el conjunto de prueba, demostrando que el método propuesto puede mejorar efectivamente el rendimiento de la detección de anomalías en oleoductos. Además, MFDNA-GANomaly mostró un rendimiento competitivo en los subconjuntos ToyTrain y Bearing del conjunto de datos de desarrollo en el Desafío DCASE 2023 Tarea 2, confirmando la capacidad de generalización del modelo.