La segmentación semántica precisa de imágenes de alta resolución capturadas por vehículos aéreos no tripulados (VANT) es crucial para aplicaciones en monitoreo ambiental, planificación urbana y agricultura de precisión. Sin embargo, desafíos como el desequilibrio de clases, la detección de objetos pequeños y los detalles complejos de los bordes complican el análisis de las imágenes de VANT. Para abordar estos problemas, proponemos Mamba-UAV-SegNet, una nueva red de segmentación semántica en tiempo real diseñada específicamente para imágenes de VANT. La red integra un Bloque Mamba de Cabeza Múltiple (MH-Mamba Block) para una mejor representación de características a múltiples escalas, un Módulo de Fusión de Mejora de Bordes Adaptativa (ABEFM) para una fusión de características consciente de los bordes mejorada, y una rama de entrenamiento auxiliar de detalles de borde para capturar detalles finos. La utilidad práctica de nuestro método se demuestra a través de su aplicación a la segmentación de tierras agrícolas. Experimentos extensivos en los conjuntos de datos UAV-City, VDD y UAVid muestran que nuestro modelo supera a los métodos de vanguardia, logrando puntuaciones medias de Intersección sobre Unión (mIoU) de 71.2%, 77.5% y 69.3%, respectivamente. Estudios de ablación confirman la efectividad de cada componente y sus contribuciones combinadas al rendimiento general. El método propuesto equilibra la precisión de la segmentación y la eficiencia computacional, manteniendo velocidades de inferencia en tiempo real adecuadas para aplicaciones prácticas de VANT.