Como un componente vital de una aeronave, la integridad estructural del ala está estrechamente relacionada tanto con el rendimiento en vuelo como con la seguridad, lo que hace esencial predecir con precisión las tensiones dentro de su estructura. Sin embargo, los métodos convencionales de cálculo de tensiones a menudo enfrentan costos computacionales significativos y largos tiempos de análisis al abordar geometrías altamente no lineales y complejas. Para abordar estos desafíos, este documento presenta un enfoque de predicción de tensiones basado en aprendizaje profundo llamado modelo MA-Unet (Multi-scale Attention Enhanced Unet). El modelo incorpora un mecanismo de extracción de características multiescala y atención basado en Unet para capturar de manera más eficiente las características complejas de distribución de tensiones, y se aplica a la predicción de tensiones en estructuras de piel de ala. Se genera un conjunto de datos de campo de tensiones a través de simulación numérica, que luego se utiliza para entrenar y evaluar el modelo MA-Unet. Los resultados de la predicción se comparan con los obtenidos de redes neuronales convolucionales tradicionales (CNN) y el modelo Unet. Los resultados experimentales demuestran que el modelo MA-Unet logra una mayor precisión en la predicción de tensiones en la piel del ala y muestra una fuerte robustez en diversas condiciones de prueba. Este modelo sirve como un método efectivo y proporciona un valioso apoyo de datos para la evaluación rápida y precisa de las estructuras de ala, destacando sus significativas aplicaciones prácticas.