Para mejorar las capacidades de las plataformas UAV en el reconocimiento y seguimiento de objetivos hostiles en el campo de batalla, se requieren técnicas avanzadas de extracción de características y segmentación de imágenes. En respuesta, se desarrolló el modelo Depse Unet++. Al introducir Squeeze-and-Excitation, se mejora la capacidad del modelo para discriminar objetivos camuflados en fondos de alta similitud; al incorporar un diseño de convolución separada por profundidad, se reducen significativamente los parámetros y los requisitos computacionales para aplicaciones en dispositivos embebidos; y al emplear la técnica de Dropout para prevenir el sobreajuste con tamaños de muestra limitados, se potencia la adaptabilidad y generalización del modelo en diferentes entornos. Se realizaron evaluaciones utilizando un conjunto de datos construido a medida para probar la precisión de segmentación y el rendimiento del modelo. Los resultados experimentales muestran que el modelo Depse Unet++ supera a los modelos de última generación existentes en métricas críticas como la relación de intersección y unión media, el coeficiente de Dice y la precisión de píxeles. Además, se confirmaron las contribuciones específicas de cada componente técnico al rendimiento del modelo a través de estudios de ablación, asegurando la validez y fiabilidad del método. En general, el modelo Depse Unet++ ofrece una herramienta más efectiva para el reconocimiento de objetivos y la segmentación semántica para UAVs que operan en escenarios complejos de campo de batalla.