Para abordar los desafíos en la imagen de teledetección de UAV, como el tamaño pequeño de los objetos, la oclusión densa y la interferencia de fondo compleja, este documento propone un algoritmo mejorado de detección de objetos pequeños basado en un modelo YOLOv13 mejorado para aplicaciones de drones en entornos climáticos complejos. Primero, se diseña una red de atención de fusión de características mejorada (EFFA-Net) en la etapa de preprocesamiento para reducir la degradación de la imagen y suprimir la interferencia causada por el humo y la neblina. Luego, en la columna vertebral, se diseña un módulo de convolución con compuerta swish (SwiGLUConv) para expandir adaptativamente el campo receptivo y mejorar la extracción de características a múltiples escalas, lo que refuerza la representación de los objetivos pequeños mientras se mantiene una computación eficiente. Además, se integra un módulo de fusión de contexto multi-escala localmente mejorado (LF-MSCF) en el cuello de fusión de características de YOLO, combinando atención de auto-atención multi-cabeza, atención de canal y atención espacial para suprimir el ruido de fondo y las respuestas redundantes, mejorando así la precisión de detección. Experimentos extensivos en el conjunto de datos VisDrone-DET2019, el conjunto de datos UAVDT y el conjunto de datos HazyDet demuestran que el algoritmo propuesto supera a otros métodos convencionales, mostrando una excelente precisión de detección y robustez en escenarios aéreos complejos de UAV.