针对复杂低空反无人机检测中目标尺度多变、背景干扰强、小目标特征稀缺及现有算法难以兼顾精度、实时性与轻量化的问题， 该研究提出基于 YOLOv11n 的改进算法 YOLO-MUC。该算法通过在主干网络设计多尺度空间-通道注意力模块（MSCCA）强化目标特征提 取、抑制背景干扰，在主干和颈部网络设计通用倒瓶颈融合模块（C3k2_UIB）平衡精度与推理效率，在颈部网络引入内容感知上采样算子 （CARAFE）提升特征融合质量。基于 Det-Fly 和 TIB-Net 数据集的实验表明，该模型 mAP@0.5 达 83.9%、mAP@0.5：0.95 达 36.6%，较原 始 YOLOv11n 均有提升，计算量控制在 7.0G，有效解决传统算法漏检问题，为低空安防反无人机检测提供了高效可行的技术方案。 关键词：反无人机检测；YOLOv11；注意力机制；通用倒瓶颈；上采样算子