Para resolver el problema de baja precisión en la detección de objetos pequeños en imágenes de teledetección óptica de UAV debido a bajo contraste, distribución densa y características débiles, este artículo propone un método de detección de objetos pequeños basado en la alineación de características de regiones candidatas para imágenes de teledetección. En primer lugar, AFA-FPN (Alineación de Características Basada en Atención FPN) define la relación correspondiente entre los mapeos de características, resuelve la descoordinación de características entre niveles adyacentes y mejora la capacidad de reconocimiento de objetos pequeños al alinear y fusionar características espaciales superficiales y características semánticas profundas. En segundo lugar, el módulo PHDA (Atención en el Dominio Híbrido de Polarización) captura áreas locales que contienen características de objetos pequeños a través de atención en el dominio de canal paralelo y atención en el dominio espacial. Asigna un mayor peso a estas áreas para aliviar la interferencia del ruido de fondo. Luego, la rama de rotación utiliza RROI para rotar el marco horizontal obtenido por RPN, lo que evita la falta de detección de objetos pequeños con distribución densa y dirección arbitraria. A continuación, la rama de rotación utiliza RROI para rotar la caja horizontal obtenida por RPN. Resuelve el problema de la falta de detección de objetos pequeños con distribución densa y dirección arbitraria y previene la descoordinación de características entre el objeto y las regiones candidatas. Finalmente, se mejora la función de pérdida para reflejar mejor la diferencia entre el valor predicho y la verdad de terreno. Se realizan experimentos en un conjunto de datos autogenerado. Los resultados experimentales muestran que el mAP del método propuesto alcanza el 82.04% y la velocidad de detección alcanza 24.3 FPS, lo que es significativamente más alto que el de los métodos más avanzados. Mientras tanto, el experimento de ablación verifica la racionalidad de cada módulo.