Para abordar el desafío de distinguir con precisión entre UAVs y aves en un campo de detección a baja altitud, este documento propone un algoritmo de clasificación de UAVs y aves basado en espectrogramas micro-Doppler de banda dual L/K y Mamba. Establecemos un modelo de detección de radar de banda dual para vehículos aéreos no tripulados (UAVs) y aves, proporcionamos un método para caracterizar los parámetros Doppler de las señales de eco, y investigamos un modelo de red de clasificación de objetivos de UAV y aves que integra micro-Doppler y Mamba. Basado en un marco de codificación de doble rama, utilizamos la descomposición de bloques Patch para diseñar un modelo de clasificación que serializa el espectrograma bidimensional de la señal de eco, e introducimos la red de backbone de espacio de estado Mamba para extraer las características de secuencia a largo plazo del micro-movimiento del objetivo. El principal avance del algoritmo de clasificación propuesto radica en la etapa de fusión de características, donde se adopta una estrategia de fusión tardía para integrar las medidas de representación de alto nivel de doble vía, aprovechando completamente la sensibilidad de la banda K a texturas de alta frecuencia y la complementariedad de escala de la banda L. Luego, de acuerdo con la función de pérdida conjunta de aprendizaje mutuo y aprendizaje contrastivo, mejoramos la consistencia de predicción y la discriminabilidad de representación del modelo. A través de pruebas experimentales, los resultados muestran que el método propuesto puede clasificar efectivamente UAVs y aves, y en comparación con otros algoritmos, la tasa de precisión alcanza el 97.5%.