El radar de apertura sintética (SAR) cuenta con capacidades de imagen en cualquier clima y durante todo el día, detección a larga distancia y alta resolución, lo que lo hace indispensable para la exploración en el campo de batalla, la detección de objetivos y la guía. En los últimos años, el aprendizaje profundo ha surgido como un enfoque destacado para la clasificación de objetivos en imágenes SAR, gracias a su extracción jerárquica de características, refinamiento progresivo y capacidades de aprendizaje de extremo a extremo. Sin embargo, desafíos como el alto costo de adquisición de datos SAR y el número limitado de muestras etiquetadas a menudo resultan en sobreajuste y mala generalización del modelo. Además, las capas convencionales suelen operar con campos receptivos fijos, lo que dificulta capturar simultáneamente información contextual multiescalar y enfocarse dinámicamente en características de objetivo salientes. Para abordar estas limitaciones, este artículo propone una nueva arquitectura: la Red de Atención de Fusión Diluida Multiescalar Todo-Convolucional (MDFA-AconvNet). El modelo incorpora un mecanismo de atención dilatada multiescalar que amplía significativamente el campo receptivo a través de diferentes escalas de objetivo en imágenes SAR sin comprometer la resolución espacial, mejorando así la extracción de características multiescalares. Además, al introducir mecanismos de atención tanto en los canales como en el espacio, el modelo puede enfatizar selectivamente los canales de características informativas y las regiones espaciales relevantes para el reconocimiento de objetivos. Estos módulos de atención se integran sin problemas en la columna vertebral de la Red Todo-Convolucional (A-convNet), lo que resulta en mejoras de rendimiento integrales. Experimentos extensivos en el conjunto de datos MSTAR demuestran que el MDFA-AconvNet propuesto logra una alta precisión de clasificación del 99.38% en diez clases de objetivos, superando notablemente al algoritmo original A-convNet. Estos resultados convincentes destacan la robustez del modelo frente a variaciones de objetivos y su significativo potencial para el despliegue práctico, allanando el camino para sistemas de clasificación y reconocimiento de imágenes SAR más eficientes.