Los objetivos de vehículos aéreos no tripulados (UAV) son típicamente pequeños en tamaño, ocupan solo un área de píxeles limitada y a menudo se encuentran en entornos complejos. Sin embargo, los modelos existentes tienden a pasar por alto objetivos más pequeños en fondos complejos, lo que facilita perder información importante y resulta en objetivos no detectados. Este documento propone un método innovador de detección de UAV llamado BRA-YOLOv10. En primer lugar, se utiliza la Atención de Enrutamiento de Dos Niveles (BRA) durante la etapa de extracción de características para reducir eficazmente la interferencia del fondo. Al centrarse en la información clave del objetivo, el modelo optimiza el rendimiento general de detección. En segundo lugar, basado en esta mejora, la adición de una capa de detección de pequeños objetivos de alta resolución (STDL) mejora la precisión de detección del modelo al proporcionar información más detallada sobre el objetivo. Luego, se incorpora el módulo SimCSPSPPF para mejorar aún más el rendimiento del modelo, particularmente en lo que respecta a pequeños objetivos en fondos complejos, para retener eficazmente la información de características de bajo nivel. Finalmente, se realizan entrenamientos y pruebas en el conjunto de datos SIDD, y se muestra su rendimiento de generalización en una variedad de conjuntos de datos (TIB-Net, Det-Fly y UAVfly). Los resultados experimentales muestran que BRA-YOLOv10 tiene un rendimiento superior a los modelos existentes con un 98.9% de precisión, un 92.3% de recuperación y un 96.5% de mAP50, respectivamente, lo que representa una mejora del 2.5%, 2.9% y 1.7% sobre YOLOv10. Para objetivos con tamaños entre 10x10 y 5x5, la tasa de detección alcanzó el 84.97%, un aumento del 16.76% en comparación con YOLOv10.