Para abordar los problemas de detecciones perdidas y falsas causadas por la calidad insuficiente de las características en la detección de objetos pequeños desde la perspectiva de UAV, este documento propone un algoritmo de detección de objetos pequeños basado en la optimización de características de YOLOv8. Se introduce un módulo de convolución coseno espacial en la red de fondo para optimizar las características espaciales, aliviando así el problema de la pérdida de características de objetos pequeños y mejorando la precisión y velocidad de detección del modelo. Se emplea un módulo de fusión de características C2f_SCConv mejorado para la integración de características, que reduce efectivamente la redundancia de características en dimensiones espaciales y de canal, disminuyendo así la complejidad del modelo y el costo computacional. Mientras tanto, se utiliza la función de pérdida WIoU para reemplazar la función de pérdida CIoU original, reduciendo la interferencia de factores geométricos en la regresión de cajas de anclaje, lo que permite que el modelo se concentre más en las cajas de anclaje de baja calidad y mejora su capacidad de detección de objetos pequeños. Experimentos de ablación y comparativos en el conjunto de datos VisDrone validan la efectividad del algoritmo propuesto para la detección de objetos pequeños desde la perspectiva de UAV, mientras que los experimentos de generalización en los conjuntos de datos DOTA y SSDD demuestran que el algoritmo posee un fuerte rendimiento de generalización.