Debido al alto costo de la anotación de imágenes densas de frutas, las imágenes objetivo anotadas están limitadas en algunas aplicaciones de detección de madurez, lo que restringe significativamente la capacidad de generalización de las redes de detección de objetos pequeños en entornos complejos. Para abordar este problema, este estudio propone un algoritmo de detección de madurez de cerezas auto-supervisado basado en aprendizaje contrastivo de múltiples características, que consta de un módulo auto-supervisado contrastivo de múltiples características y un módulo de detección de objetos. El módulo auto-supervisado mejora las características de las imágenes de frutas no etiquetadas a través de aumentos contrastivos aleatorios, reduciendo la interferencia de fondos complejos. El módulo de detección de objetos establece una conexión con el módulo auto-supervisado y diseña una red de fusión de características poco profunda basada en la escala objetivo de entrada para mejorar el rendimiento de detección de frutas de muestra pequeña. Finalmente, se realizaron experimentos extensos en un conjunto de datos de cerezas auto-generado. El algoritmo propuesto mostró una mejor capacidad de generalización en comparación con los algoritmos de referencia supervisados, con una mejor precisión en términos de mAP, especialmente en la detección de cerezas pequeñas distantes.