La detección precisa de objetos en imágenes de UAV es crítica para la conciencia situacional, sin embargo, los modelos convencionales de aprendizaje profundo a menudo tienen dificultades para distinguir entre objetivos visualmente similares. Para abordar este desafío, este estudio introduce una arquitectura de aprendizaje profundo jerárquica que descompone la tarea de detección multi-clase en una cascada de clasificación estructurada y multinivel. Nuestro enfoque combina un Faster R-CNN de alto recall para la propuesta inicial de objetos, modelos YOLO especializados para la extracción de características granulares y un FT-Transformer dedicado para la clasificación de alta precisión. La evaluación experimental en un conjunto de datos complejo demostró la efectividad de esta estrategia. El modelo jerárquico logró un F1-score agregado del 93.9%, lo que representa una mejora del 1.41% sobre el F1-score del 92.46% de un modelo base tradicional no jerárquico. Estos resultados indican que una cascada modular de grueso a fino puede reducir efectivamente la ambigüedad entre clases, ofreciendo un enfoque escalable para mejorar el reconocimiento de objetos en entornos complejos de monitoreo basado en UAV. Este trabajo contribuye con un enfoque prometedor para desarrollar sistemas de conciencia situacional más precisos y confiables.