Abordando los desafíos técnicos en la detección de objetivos de clúster de Vehículos Aéreos No Tripulados (VANT) de Bajo-Lento-Pequeño (LSS-UAV), como señales débiles e interferencias ambientales complejas que se acoplan con características fuertes, este documento propone un método de detección de fusión multimodal visible-infrarrojo basado en aprendizaje profundo. El método utiliza técnicas de aprendizaje profundo para identificar por separado características morfológicas en imágenes de luz visible y características de radiación térmica en imágenes infrarrojas. Se diseña un marco de fusión multimodal jerárquico que integra la fusión a nivel de características y a nivel de decisiones, incorporando un mecanismo de Ponderación Dinámica Consciente del Entorno (EADW) y la teoría de evidencia de Dempster-Shafer (teoría de evidencia D-S). Este marco aprovecha eficazmente las ventajas complementarias de la fusión a nivel de características y a nivel de decisiones. Esto mejora efectivamente la capacidad de detección y reconocimiento, así como la robustez del sistema, para objetivos de clúster LSS-UAV en entornos complejos. Los resultados experimentales demuestran que el método propuesto logra una precisión de detección del 93.5% para clústeres LSS-UAV en entornos urbanos complejos, lo que representa una mejora promedio del 18.7% en comparación con métodos unimodales, mientras que la tasa de falsas alarmas se reduce al 4.2%. Además, el método demuestra una fuerte adaptabilidad ambiental, manteniendo un alto rendimiento en condiciones desafiantes como la noche y la neblina. Este método proporciona una solución técnica eficiente y confiable para la detección de objetivos de clúster LSS-UAV.