La fusión de mapas de espectro ha surgido como una técnica efectiva para mejorar la precisión en la construcción de mapas de espectro. Sin embargo, muchos métodos de fusión existentes no abordan la fuerte correlación entre los datos de espectro, lo que resulta en un rendimiento subóptimo. En este artículo, proponemos un nuevo método de fusión de mapas de espectro basado en regresión de crestas diferencial para vehículos aéreos no tripulados (UAV). Primero, construimos mapas de espectro de UAV utilizando características diferenciales de los datos de espectro. A continuación, presentamos un modelo de fusión de mapas de espectro aprovechando la característica de distribución espacial de los datos de espectro. Para reducir la sensibilidad del modelo de fusión a los datos fuertemente correlacionados, se diseña un nuevo término de regularización de fusión de mapas, que introduce la norma l2 para restringir los parámetros de regularización de fusión y comprimir los tamaños de los coeficientes de regresión de crestas. Como resultado, se pueden construir mapas de espectro precisos para entornos con datos de espectro altamente correlacionados. Luego, formulamos una solución impulsada por modelos al problema de fusión de mapas de espectro y derivamos su límite inferior. Al combinar las características de propagación de la señal de espectro con la dualidad de Lagrange desarrollada, podemos garantizar la convergencia del procesamiento de fusión de mapas mientras mejoramos la tasa de convergencia. Finalmente, proponemos un método acelerado de multiplicadores de direcciones alternas máximamente divididas (AMS-ADMM) para reducir la complejidad computacional de la construcción de mapas de espectro. Los resultados de simulación demuestran que nuestro método propuesto puede eliminar efectivamente la interferencia de ruido externo y los valores atípicos, y lograr una mejora en la precisión de más del 27% en comparación con los métodos de fusión de última generación en la construcción de mapas de espectro con baja complejidad.