Los sistemas de detección cooperativa de vehículos aéreos no tripulados (UAV) multi-UAV mejoran la percepción al compartir información sobre objetos de UAVs bien percibidos a UAVs con limitaciones de percepción a través de proyecciones cruzadas. Sin embargo, tales proyecciones a menudo sufren de desalineación debido a complejidades ambientales y condiciones dinámicas, mientras que los métodos de fusión existentes carecen de la robustez necesaria para manejar estas inexactitudes de manera efectiva. Para abordar este problema, proponemos una nueva Red de Detección Cooperativa Multi-UAV (MCD-Net), que introduce un método de emparejamiento secundario y una estrategia de fusión híbrida para mitigar los efectos adversos de la desalineación de proyecciones. El método de emparejamiento secundario integra tanto características de fondo como de objeto para refinar la matriz de transformación de proyección entre vistas, mejorando la fiabilidad de la suplementación de información de vista cruzada. La estrategia de fusión híbrida combina (1) Fusión de Decisiones Basada en Confianza para la selección inicial; (2) un módulo de Medición de Consistencia de Región para evaluar la similitud antes y después de la proyección, eliminando resultados inconsistentes; y (3) un módulo de Percepción de Partes de Vehículo para detectar objetos ocultos en regiones potenciales, reduciendo las detecciones falsas. Además, contribuimos con un conjunto de datos dedicado a partes de vehículos para entrenar el clasificador dentro del módulo de percepción. Los resultados experimentales demuestran que MCD-Net logra mejoras significativas en comparación con la detección de un solo UAV, con métricas de recall y F-score más altas. Específicamente, el recall para objetos ocultos mejora en un promedio del 9.88%, destacando la robustez y efectividad de nuestro enfoque en escenarios desafiantes.