Para separar de manera efectiva objetos de drones débiles de bajo contraste de fondos complejos, se propone el modelo IRWT-YOLO, en el cual se aprovechan los algoritmos de segmentación de imágenes para reducir la interferencia del fondo. El modelo integra la detección de objetos y la segmentación de imágenes, utilizando la segmentación para extraer información adicional de la imagen. Además, para abordar los desafíos de campos receptivos limitados y comunicación contextual débil en la detección de objetos débiles en infrarrojo, se introducen los módulos DCPPA y RCSCAA. El módulo DCPPA emplea convoluciones duales para expandir el campo receptivo y mejorar la extracción de características para objetos de drones débiles. El módulo RCSCAA incorpora un mecanismo de atención contextual para capturar dependencias a largo alcance y extraer características de textura a múltiples escalas. Experimentos extensivos en tres conjuntos de datos demuestran la superioridad de IRWT-YOLO, con una mejora de precisión del 15.5% en el conjunto de datos SIRSTv2, una mejora de recuperación del 14.5% en el conjunto de datos IRSTD-1k, y una mejora del 21.0% en mAP50-95 en el tercer conjunto de datos Anti-UAV en comparación con YOLOv8. Estos resultados destacan la robustez y efectividad del modelo en la detección de objetos débiles en condiciones complejas de infrarrojo.