El documento describe una técnica original para el monitoreo en tiempo real de parámetros y diagnósticos técnicos de unidades de vehículos aéreos no tripulados (UAV) pequeños utilizando modelos de redes neuronales con la arquitectura CompactNeuroUAV propuesta. Como datos de entrada, se utilizan los valores de los parámetros de operación durante un cierto período que precede a las acciones de control actuales y reales sobre los actuadores del UAV. Se entrena un modelo de conjunto de parámetros de referencia basado en datos históricos. CompactNeuroUAV es una red neuronal combinada que consiste en capas convolucionales para compactar datos y capas recurrentes con unidades recurrentes con compuertas para codificar la dependencia temporal de los parámetros. El procesamiento proporciona el valor esperado del parámetro y estima la desviación del valor real del parámetro o de un conjunto de parámetros con respecto al modelo de referencia. Los fallos que han llevado a la superación del umbral de desviación se clasifican posteriormente. Aquí se utiliza un clasificador inteligente para detectar la unidad de UAV fallida y la causa y tipo de fallo o condición previa al fallo. El documento también proporciona los resultados de la validación experimental del enfoque propuesto para diagnosticar fallos y condiciones previas al fallo de UAV de tipo ala fija para el conjunto de datos ALFA. Se han construido modelos para detectar condiciones como pérdida de empuje del motor, fallo total del timón a la izquierda o a la derecha, fallo del elevador en posición horizontal, pérdida de control sobre los alerones izquierdo, derecho o ambos en posición horizontal, pérdida de control sobre el timón y alerones atascados en posición horizontal. También se proporcionan los resultados de la estimación de la precisión del modelo desarrollado en un conjunto de datos de prueba.