Los incendios forestales son uno de los desastres naturales más graves que amenazan los recursos forestales. La identificación temprana y precisa de los incendios forestales es crucial para reducir las pérdidas. En comparación con los satélites y sensores, los vehículos aéreos no tripulados (VANT) se utilizan ampliamente en tareas de monitoreo de incendios forestales debido a su flexibilidad y amplia cobertura. La clave para el monitoreo de incendios es segmentar con precisión el área donde se encuentra el fuego en la imagen. Sin embargo, para el monitoreo temprano de incendios forestales, los incendios capturados de forma remota por VANT tienen características de un área pequeña, contornos irregulares y son susceptibles a la cobertura forestal, lo que hace que la segmentación precisa de las áreas de fuego en las imágenes sea un desafío. Este artículo propone una arquitectura de red FBC-ANet que integra módulos de mejora de contornos y módulos conscientes del contexto en una red liviana de codificador-decodificador. FBC-Anet puede extraer características semánticas profundas de las imágenes y mejorar las características de borde superficiales, logrando así una segmentación efectiva de las áreas de incendios forestales en la imagen. El modelo FBC-ANet utiliza una red Xception como columna vertebral de un codificador para extraer características de diferentes escalas de las imágenes. Al transformar las características semánticas profundas extraídas a través del módulo CIA, se mejora la capacidad de aprendizaje de características del modelo para los píxeles de fuego, haciendo que la extracción de características sea más robusta. FBC-ANet integra el decodificador en el módulo BEM para mejorar la extracción de características de borde superficiales en las imágenes. Los resultados experimentales indican que el modelo FBC-ANet tiene un mejor rendimiento de segmentación para incendios forestales de pequeños objetivos en comparación con el modelo base. La precisión de segmentación en el conjunto de datos FLAME es del 92.19%, la puntuación F1 es del 90.76% y el IoU alcanza el 83.08%. Esto indica que el modelo FBC-ANet puede extraer de hecho características más valiosas relacionadas con el fuego en la imagen, segmentando así mejor el área de fuego de la imagen.