Los drones se están volviendo cada vez más populares no solo para fines recreativos, sino también en una variedad de aplicaciones en ingeniería, gestión de desastres, logística, seguridad en aeropuertos y otros. Además de sus aplicaciones útiles, ha surgido una preocupante preocupación respecto a la seguridad, protección y vigilancia de la infraestructura física en los aeropuertos debido al potencial de su uso en actividades maliciosas. En los últimos años, ha habido muchos informes sobre el uso no autorizado de varios tipos de drones en aeropuertos y la interrupción de las operaciones aéreas. Para abordar este problema, este estudio propone un novedoso método basado en aprendizaje profundo para la detección y reconocimiento eficiente de dos tipos de drones y aves. La evaluación del enfoque propuesto con el conjunto de datos de imágenes preparado demuestra una mejor eficiencia en comparación con los sistemas de detección existentes en la literatura. Además, los drones a menudo se confunden con aves debido a su similitud física y de comportamiento. El método propuesto no solo es capaz de detectar la presencia o ausencia de drones en un área, sino también de reconocer y distinguir entre dos tipos de drones, así como diferenciarlos de las aves. El conjunto de datos utilizado en este trabajo para entrenar la red consiste en 10,000 imágenes visibles que contienen dos tipos de drones como multirrotores, helicópteros y también aves. El método de aprendizaje profundo propuesto puede detectar y reconocer directamente dos tipos de drones y diferenciarlos de las aves con una precisión del 83%, un mAP del 84% y un IoU del 81%. Los valores de recall promedio, precisión promedio y F1-score promedio también se informaron como 84%, 83% y 83%, respectivamente, en tres clases.