El aprendizaje profundo ha promovido la investigación de la detección de objetos en escenas aéreas. Sin embargo, la mayoría de las redes existentes están limitadas por la variación a gran escala de los objetos y la confusión de las características de categoría. Para superar estas limitaciones, este artículo propone un nuevo marco de detección de objetos aéreos llamado DFCformer. DFCformer se compone principalmente de tres partes: la red base DMViT, que introduce la incrustación de parches de deformación y la autoatención adaptativa a múltiples escalas para capturar suficientes características de los objetos; FRGC guía la interacción de características capa por capa para romper las barreras entre las capas de características y mejorar la discriminación de información y la capacidad de procesamiento de características críticas a múltiples escalas; CAIM adopta un mecanismo de atención para fusionar características a múltiples escalas y realizar un razonamiento jerárquico sobre la relación entre diferentes niveles y aprovechar al máximo la información complementaria en las características a múltiples escalas. Se han realizado extensos experimentos en el conjunto de datos FAIR1M, y DFCformer muestra sus ventajas al lograr las puntuaciones más altas con una mayor adaptabilidad a las escenas.