La detección precisa y eficiente de objetos es esencial para la vigilancia aérea de aeropuertos, desempeñando un papel crítico en la seguridad de la aviación y el avance de las operaciones autónomas. Aunque enfoques recientes de aprendizaje profundo han logrado un progreso notable, persisten desafíos significativos, incluyendo la severa oclusión de objetos, variación extrema de escala, desorden panorámico denso y la detección de objetivos muy pequeños. En este estudio, presentamos un marco de detección novedoso y unificado diseñado para abordar estos problemas de manera integral. Nuestro método integra una pérdida de Distancia de Wasserstein Gaussiana Normalizada para una regresión precisa de cajas delimitadoras probabilísticas, módulos residuales de Dilatación para una mejor extracción de características a múltiples escalas, una Red Piramidal de Características de Detección Jerárquica para una fusión efectiva de características jerárquicas, y módulos DualConv para una representación de características ligera pero robusta. Experimentos extensos realizados en dos conjuntos de datos públicos de vigilancia aeroportuaria, ASS1 y ASS2, demuestran que nuestro enfoque produce mejoras sustanciales en la precisión de detección. Específicamente, el método propuesto logra una mejora de hasta 14.6 puntos porcentuales en el Promedio de Precisión (mAP@0.5) en comparación con las variantes YOLO de última generación, con ganancias especialmente notables en categorías desafiantes de objetos pequeños como la detección de personal. Estos resultados destacan la efectividad y el valor práctico del marco propuesto en el avance de la seguridad de la aviación y la autonomía operativa en entornos aeroportuarios.