Para abordar los problemas de detección perdida y falsa detección causados por la alta densidad y tamaño pequeño de objetivos pequeños, así como por fondos complejos en imágenes aéreas de drones, este artículo propone un algoritmo de detección MCF-YOLO mejorado basado en YOLOv11n. Primero, se diseñó un módulo de mejora de características de pequeños objetivos MSFE, que mejora la expresión de características de pequeños objetivos mediante la conservación de alta resolución, el aumento de profundidad de capas convolucionales y la introducción de conexiones residuales; en segundo lugar, se introdujo atención de anclaje contextual (CAA) en el módulo C3k2, utilizando convoluciones separadas horizontal y verticalmente para capturar dependencias espaciales a larga distancia, mejorando la percepción del contexto global y solucionando problemas de interferencias de fondo y oclusión de objetivos; finalmente, se empleó la función de pérdida Focaler-DIoU, con un mecanismo dinámico de ajuste de pesos de muestras para optimizar el proceso de regresión del cuadro delimitador, aumentando la precisión en la localización de pequeños objetivos y reduciendo la pérdida y falsa detección. Los resultados experimentales muestran que el algoritmo mejorado en el conjunto de datos VisDrone2019 mejoró la precisión, la tasa de recuperación, mAP@0.5 y mAP@0.5∶0.95 en un 6.8%, 3.2%, 6.6% y 3.9% respectivamente en comparación con el modelo básico YOLOv11n, y supera significativamente otros métodos convencionales. Además, en las pruebas de generalización en los conjuntos de datos VEDAI y DOTA, el mAP@0.5 del modelo aumentó un 1.2% y 2.2% respectivamente, demostrando la efectividad y buena adaptabilidad del método propuesto en diferentes escenarios.

aprendizaje profundo;drones;detección de pequeños objetivos;YOLOv11n;mejora de características