La detección de objetos ha ganado una amplia aplicación en diversos ámbitos; sin embargo, la detección de objetos pequeños sigue presentando numerosos desafíos debido a las limitaciones inherentes de los objetos pequeños, como su resolución limitada y su susceptibilidad a la interferencia de elementos vecinos. Para mejorar la precisión de detección de objetos pequeños, este estudio presenta un método novedoso que integra información de contexto, un mecanismo de atención e información a múltiples escalas. Primero, para realizar una ampliación de características, se emplea una red de estructura compuesta que puede extraer conjuntamente las características de los objetos. Sobre esta base, para incorporar eficientemente información de contexto y centrarse en características clave, se diseña el módulo de convolución dilatada compuesta y el módulo de atención de bloque convolucional, que consta de un módulo de convolución dilatada compuesta y un módulo de atención de bloque convolucional. Luego, se introduce un módulo de eliminación de características para reducir la proporción de características de objetos medianos y grandes en las capas de características; de esta manera, se puede mitigar el impacto de los objetos vecinos en la detección de objetos pequeños. Los experimentos realizados en MS COCO validan el rendimiento superior del método en comparación con los detectores base, ya que produce un aumento promedio del 0.8% en la precisión general de detección, con un notable aumento del 2.7% en la detección de objetos pequeños.