La identificación de pequeños objetivos terrestres en imágenes de teledetección ha surgido como un objetivo de investigación significativo. A pesar de los avances significativos en las estrategias de detección de objetos basadas en el aprendizaje profundo para imágenes de teledetección visibles, el rendimiento en la detección de un número pequeño y densamente distribuido de pequeños objetivos sigue siendo subóptimo. Para abordar este problema, este estudio presenta un modelo mejorado llamado YOLOV4_CPSBi, basado en la arquitectura YOLOV4, diseñado específicamente para mejorar la capacidad de detección de pequeños objetivos terrestres en imágenes de teledetección. El modelo propuesto mejora el CSPNet tradicional redefiniendo su partición de canales e integrando esta estructura mejorada en la parte del cuello del modelo de red YOLO. Además, se elimina la estructura de fusión piramidal convencional utilizada en el BiFPN tradicional. Al integrar un mecanismo bidireccional de múltiples escalas basado en pesos para la fusión de características, el modelo es capaz de razonar de manera efectiva sobre objetos de varios tamaños, con un enfoque particular en la detección de pequeños objetivos terrestres, sin introducir un aumento significativo en los costos computacionales. Utilizando el conjunto de datos DOTA como datos de investigación, este estudio cuantifica el rendimiento de detección de objetos del modelo propuesto. En comparación con varios modelos de referencia, para la detección de pequeños objetivos, su rendimiento en AP ha mejorado en casi un 8% en comparación con YOLOV4. Al combinar estas modificaciones, el modelo propuesto demuestra resultados prometedores en la identificación de pequeños objetivos terrestres en imágenes de teledetección visibles.