La detección de UAV anti es primordial para salvaguardar la seguridad del espacio aéreo. Sin embargo, las metodologías existentes a menudo exhiben baja precisión de detección debido a su incapacidad para abordar de manera adaptativa las variaciones de escala de los objetivos y los fondos complejos. Para mejorar la precisión de detección, este documento introduce un método de detección de UAV basado en el aprendizaje de características no locales. Inicialmente, diseñamos un módulo de Interacción de Características No Locales a Escala Cruzada (CNFI). Este módulo modela explícitamente las dependencias de largo alcance entre características a diferentes escalas, integrando de manera efectiva información multi-escala y adaptándose a las variaciones de escala de los objetivos. Posteriormente, se propone un módulo de Mejora de Características No Locales (NFE), que fusiona información contextual global, adquirida a través de atención no local, con señales estructurales de bajo nivel como gradientes, para reforzar las características de contorno y detalle de los objetivos UAV en medio de fondos complejos. El método propuesto fue validado experimentalmente en el conjunto de datos DUT-Anti-UAV y Det-Fly. En comparación con el modelo de última generación, nuestro enfoque demuestra mejoras del 0.93%, 1.09% y 2.12% en Precisión (P), Recuperación (R) y mAP50 en el conjunto de datos DUT-Anti-UAV, respectivamente. Los resultados experimentales confirman que nuestras mejoras propuestas ofrecen un rendimiento superior en la tarea de detección anti-UAV.