La detección distribuida de objetivos de radar en ruido no gaussiano, modelado como la suma de desorden distribuido K más ruido térmico, se considera en este documento. Las técnicas de detección de objetivos convencionales, por ejemplo, la tasa de falsa alarma constante (CFAR), la prueba de razón de verosimilitud generalizada dependiente de la densidad de dispersores (SDD-GLRT) y los detectores de integración de energía (EI), tienen un rendimiento limitado. Por otro lado, dado que la detección de objetivos de radar puede considerarse una tarea de clasificación, las técnicas de aprendizaje profundo se han aplicado ampliamente como detectores de radar en los últimos años, pero dichas técnicas requieren una cantidad mayor de muestras de entrenamiento para evitar el sobreajuste, lo cual es consume mucho tiempo. Para equilibrar la eficiencia y precisión de la detección, este documento propone un algoritmo mejorado de bosque aleatorio basado en el algoritmo de búsqueda de gorrión (RF-SSA). Primero, proponemos un método mixto de procesamiento adaptativo espacial-temporal en 3D y denoising de wavelet (3DT-WD) para mejorar la relación señal-ruido más desorden de salida. Luego, el SSA se aplica al algoritmo RF para obtener de forma adaptativa los parámetros óptimos del modelo de detección. Los resultados de la simulación muestran que el RF-SSA propuesto garantiza un rendimiento de detección más alto que los otros métodos clásicos, mostrando una ganancia de aproximadamente 2 dB en la misma probabilidad de detección. Además, los resultados de detección de los datos reales confirman aún más la superioridad del RF-SSA propuesto.