Proponemos un nuevo marco para la detección de objetos camuflados (COD) llamado FLCNet, que consta de tres módulos: un módulo de extracción de características subyacentes (UFM), un módulo mejorado de textura (TEM) y un módulo de fusión de características de vecindario (NFFM). Los modelos existentes pasan por alto el análisis de las características subyacentes, lo que resulta en la extracción de información de textura de características de nivel bajo que no es lo suficientemente prominente y contiene más interferencia debido a la ligera diferencia entre el primer plano y el fondo del objeto camuflado. Para abordar este problema, creamos un UFM utilizando convolución con diversas tasas de expansión, max-pooling y avg-pooling para extraer profundamente la información textural de las características subyacentes y eliminar la interferencia. Motivados por los rasgos transmitidos a través de la evolución biológica, creamos un NFFM, que consiste principalmente en multiplicación de elementos y concatenación seguidos de una operación de adición. Para obtener mapas de predicción precisos, nuestro modelo emplea la estrategia de arriba hacia abajo para combinar gradualmente la información de alto y bajo nivel. Utilizando cuatro conjuntos de datos de COD de referencia, nuestro marco propuesto supera a 21 modelos basados en aprendizaje profundo en términos de siete índices frecuentemente utilizados, demostrando la efectividad de nuestra metodología.