Para abordar los desafíos críticos de capacidades de monitoreo insuficientes y sistemas de defensa vulnerables contra drones en aeropuertos regionales, este estudio propone un marco de fusión de datos de múltiples fuentes para una detección rápida de UAV. A partir de la arquitectura YOLO v11, desarrollamos un modelo mejorado que incorpora cuatro innovaciones clave: (1) Una arquitectura de fusión RGB-IR de doble vía que explota datos multimodales complementarios; (2) Módulos de atención dinámica C3k2-DATB para una extracción de características mejorada y percepción semántica; (3) Un mecanismo de atención de enrutamiento de dos niveles con consultas de agentes (BRSA) para una localización precisa de objetivos; (4) Un módulo de inyección de detalles semánticos (SDI) acoplado con cabezas de detección convolucional en forma de molino de viento (PCHead) y pérdida de distancia de Wasserstein para expandir campos receptivos y acelerar la convergencia. Los resultados experimentales demuestran un rendimiento superior con 99.3% mAP@50 (mejora del 17.4% sobre YOLOv11 base), manteniendo características ligeras (2.54M parámetros, 7.8 GFLOPS). Para implementación práctica, mejoramos aún más la robustez de seguimiento a través de un algoritmo BoT-SORT mejorado dentro de un marco interactivo de múltiples modelos, logrando 91.3% MOTA y 93.0% IDF1 en condiciones de poca luz. Esta solución integrada proporciona vigilancia de drones rentable y de alta precisión para aeropuertos con recursos limitados.