Los métodos de aprendizaje profundo han mostrado un rendimiento excepcional en numerosos dominios de detección de objetivos, y su aplicación se está expandiendo constantemente para incluir la detección de objetivos pequeños en infrarrojo. Sin embargo, el efecto de los métodos de aprendizaje profundo existentes se ve debilitado debido a la falta de información de textura y la baja relación señal-ruido de las imágenes de objetivos pequeños en infrarrojo. Para detectar objetivos pequeños en imágenes infrarrojas con información limitada, se propone en este documento una red de extracción de características de profundidad basada en un módulo residual. En primer lugar, se utiliza un módulo de mejora de guía de atención global (GAGEM) para mejorar la imagen original de objetivo pequeño en infrarrojo en un solo fotograma, que considera las características globales y locales. En segundo lugar, este documento propone un módulo de extracción de características de profundidad (DFEM) para la extracción de características de profundidad. Nuestro IRST-Involution añade el mecanismo de atención al módulo clásico de Involution y lo combina con el módulo residual para la extracción de características de la red base. Finalmente, se utiliza una pirámide de características con parámetros de peso de autoaprendizaje para la fusión de características. Los experimentos comparativos en tres conjuntos de datos públicos demuestran que nuestro algoritmo propuesto de detección de objetivos pequeños en infrarrojo muestra una mayor precisión de detección y una mejor robustez.