En los últimos años, la tecnología de UAV ha evolucionado rápidamente y se ha aplicado ampliamente en diversos campos. Sin embargo, a medida que la adopción de UAV civiles continúa creciendo, ha habido un aumento correspondiente en el número de vuelos ilegales de UAV, lo que puede causar actividades delictivas y problemas de privacidad y seguridad, por lo que se ha vuelto necesario reconocer los UAV en el espacio aéreo para hacer frente a posibles amenazas. Este estudio reconoce los UAV basándose en las señales acústicas de los vuelos de UAV. Dado que hay diversas interferencias acústicas en el entorno real, se necesitan técnicas de reconocimiento acústico más eficientes para satisfacer las necesidades de reconocimiento en entornos complejos. Con el objetivo de abordar las dificultades de reconocimiento causadas por la superposición del sonido de los UAV y el espectro de ruido de fondo en entornos de baja relación señal-ruido, este estudio propone un modelo de aprendizaje profundo ResNet10_CBAM ligero mejorado. El rendimiento óptimo de MFCC en entornos de baja relación señal-ruido se verifica comparando tres métodos de extracción de características: espectrograma, Fbank y MFCC. El modelo ResNet10_CBAM mejorado, con menos capas e integrando mecanismos de atención espacial y de canal, mejoró significativamente la extracción de características en condiciones de baja relación señal-ruido mientras reducía los parámetros del modelo. Los resultados experimentales muestran que el modelo mejora la precisión promedio en un 14.52%, 17.53% y 20.71% en comparación con ResNet18 bajo las condiciones de baja relación señal-ruido de -20 dB, -25 dB y -30 dB, respectivamente, y la puntuación F1 alcanza el 94.30%. El estudio verifica la efectividad del diseño ligero y los mecanismos de atención en entornos acústicos complejos.