En los últimos años, el aprendizaje profundo ha sido ampliamente desplegado en vehículos aéreos no tripulados (UAVs), especialmente para la detección de objetos. Como piedra angular de la detección de objetos basada en UAV, las redes neuronales profundas son susceptibles a ataques adversariales, siendo los parches adversariales un método relativamente directo de implementar. Sin embargo, la investigación actual sobre parches adversariales, especialmente aquellos dirigidos a la detección de objetos UAV, es limitada. Esta escasez es notable dada la compleja y dinámica naturaleza del entorno inherente a la adquisición de imágenes UAV, lo que hace necesario el desarrollo de parches adversariales más robustos para lograr ataques efectivos. Para abordar el desafío de los ataques adversariales en el reconocimiento de alta altitud de UAV, este documento presenta un marco de generación de parches adversariales robusto. En primer lugar, el conjunto de datos se reconstruye considerando varios factores ambientales que los UAV pueden enfrentar durante la recolección de imágenes, y se integran las influencias de reflejos y sombras durante la fotografía en el entrenamiento de parches. Además, se emplea un método de optimización anidado para mejorar la continuidad de los ataques en diferentes altitudes. Los resultados experimentales demuestran que los parches adversariales generados por el método propuesto exhiben una mayor robustez en entornos complejos y tienen una mejor transferibilidad entre modelos similares.