Con el creciente uso de drones, los algoritmos de detección eficientes son cruciales, especialmente en condiciones climáticas adversas. La mayoría de los algoritmos de detección de drones existentes funcionan bien solo en clima despejado, lo que resulta en caídas significativas en el rendimiento en condiciones de niebla. Este estudio se centra en mejorar la detección de drones en entornos neblinosos utilizando el marco Mean Teacher para la adaptación de dominio. El rendimiento del marco Mean Teacher depende de la calidad de las pseudoetiquetas del modelo maestro. Para mejorar la calidad de las pseudoetiquetas del modelo maestro, introducimos Foggy Drone Teacher (FDT), que incluye tres componentes clave: (1) Aumento Adaptativo de Estilo y Contexto para reducir el cambio de dominio y mejorar la calidad de las pseudoetiquetas; (2) Alineación de Dominio Simplificada con una nueva estrategia adversarial para impulsar la adaptación de dominio; y (3) Entrenamiento Progresivo de Adaptación de Dominio, un proceso de dos etapas que ayuda al modelo maestro a producir pseudoetiquetas más estables y precisas. Además, debido a la falta de datos disponibles públicamente, creamos el Foggy Drone Dataset (FDD) para apoyar esta investigación. Experimentos extensos muestran que nuestro modelo logra un aumento de 21.1 puntos en AP0.5 en comparación con la línea base y supera a los modelos de última generación. Este método mejora significativamente la precisión de detección de drones en condiciones de niebla.