Con el rápido avance de la tecnología de teledetección, las imágenes de teledetección se utilizan cada vez más en aplicaciones como el monitoreo geográfico, la advertencia de desastres y la planificación urbana. Sin embargo, detectar objetos pequeños, como vehículos y edificios pequeños, en tales imágenes sigue siendo un desafío debido a fondos complejos, características débiles e interferencias de factores como el terreno, las nubes y la iluminación, lo que lleva a altas tasas de detecciones perdidas y falsas alarmas. Para abordar estos problemas, este artículo propone un marco mejorado basado en YOLOv8 para la detección de objetos pequeños en imágenes de teledetección. Las mejoras incluyen un mecanismo de fusión de características a múltiples escalas, estrategias de aumento de datos optimizadas que incorporan técnicas de superresolución y una función de pérdida rediseñada que enfatiza los objetos pequeños. Estas refinaciones mejoran significativamente la capacidad del modelo para extraer características discriminativas y detectar objetivos pequeños contra fondos desordenados. Los resultados experimentales demuestran un rendimiento superior en múltiples métricas, incluyendo precisión, recuperación, mAP50 y mAP50-95, particularmente para categorías desafiantes como vehículos pequeños y edificios. Esta investigación no solo proporciona una solución efectiva al principal cuello de botella técnico en la detección de objetos pequeños, avanzando el progreso de algoritmos relacionados, sino que también ofrece una experiencia teórica y práctica importante para trabajos posteriores.