La mejora y detección de señales débiles estructuradas en entornos de múltiples sensores sigue siendo un desafío debido a la severa interferencia de ruido y la heterogeneidad de las modalidades de detección, lo que a menudo hace que los modelos tradicionales de procesamiento de señales y de aprendizaje profundo convencionales sean ineficaces. Para abordar estas limitaciones, este estudio propone la Red de Mejora y Detección de Señales Débiles Estructuradas con Atención Convolucional (CA-WSDN), un marco de extremo a extremo que integra convoluciones 1D de múltiples escalas para la extracción jerárquica de características temporales con un mecanismo de atención cruzada estilo SE para la mejora adaptativa de características de múltiples escalas a través de canales de sensores heterogéneos. Las ramas de múltiples escalas capturan patrones temporales transitorios y de largo alcance, mientras que el módulo de atención enfatiza dinámicamente los canales informativos y suprime las características dominadas por el ruido, mejorando así los componentes débiles relacionados con fallos. Los experimentos con datos simulados de monitoreo de equipos médicos en condiciones de SNR ultra-bajo (-5 dB a 0 dB) demuestran la robustez y capacidad de generalización del modelo. CA-WSDN logra un SNRI de 8.12 dB en un entorno experimental de SNR ultra-bajo y una precisión diagnóstica del 95.1%, superando todos los algoritmos de referencia. Los resultados indican que CA-WSDN proporciona una solución efectiva y escalable para la mejora y detección de señales débiles estructuradas en sistemas complejos de múltiples sensores inundados de ruido, ofreciendo un gran potencial para aplicaciones de monitoreo industrial y médico.