La tecnología de fuga de flujo magnético (MFL) se utiliza ampliamente en la inspección de cables de acero (SWR) para pruebas no destructivas. Sin embargo, la caracterización precisa de defectos requiere técnicas avanzadas de procesamiento de señales para manejar condiciones de ruido complejas y tipos de defectos variables. Este artículo presenta un novedoso marco bayesiano adaptativo de múltiples escalas para el análisis de señales MFL en la inspección de SWR. Nuestro enfoque integra la transformada wavelet discreta con umbralización adaptativa y fusión de características a múltiples escalas, lo que permite la detección simultánea de defectos minúsculos y corrosión de gran área. Para validar nuestro método, implementamos un sistema de detección MFL de cuatro canales y realizamos extensos experimentos tanto en conjuntos de datos simulados como en el mundo real. En comparación con métodos de vanguardia, incluidos la memoria a largo y corto plazo (LSTM), mecanismos de atención y bosques de aislamiento, nuestro enfoque demostró mejoras significativas en precisión, recuperación y puntuación F1 en varios niveles de tolerancia. El método propuesto mostró un rendimiento de detección superior, con una precisión promedio del 91%, una recuperación del 89% y una puntuación F1 de 0.90 en condiciones de alto ruido, superando las técnicas existentes. Notablemente, nuestro método mostró un rendimiento superior en entornos de alto ruido, reduciendo las tasas de falsos positivos mientras mantenía una alta sensibilidad de detección. Si bien la complejidad computacional en el procesamiento en tiempo real sigue siendo un desafío, este estudio proporciona una solución robusta para pruebas no destructivas de SWR, mejorando potencialmente la eficiencia de la inspección y la precisión de la localización de defectos. El trabajo futuro se centrará en optimizar la eficiencia algorítmica y explorar técnicas de aprendizaje por transferencia para una mayor adaptabilidad en diferentes dominios de pruebas no destructivas (NDT). Esta investigación no solo avanza en el procesamiento de señales y la tecnología de detección de anomalías, sino que también contribuye a mejorar la seguridad y la eficiencia del mantenimiento en infraestructuras críticas.