En un entorno natural, factores como la intemperie y la exposición al sol degradarán las características de las heces de perro; perturbaciones como la madera en descomposición y la tierra son propensas a generar detecciones falsas; las distinciones de reconocimiento entre diferentes tipos de heces son sutiles. Para abordar estos problemas, este documento propone un enfoque de clasificación de imágenes de alta resolución para heces de perro utilizando MC-SCMNet en fondos complejos. Primero, se propone un módulo de muestreo descendente de atención a múltiples escalas (MADM). Este recupera cuidadosamente la información de características de las heces pequeñas. En segundo lugar, se propone un mecanismo de atención de ubicación de coordenadas (CLAM). Este inhibe la entrada de información de perturbación en la capa de características de la red. Luego, se propone un bloque SCM que contiene MADM y CLAM. Utilizamos el bloque para construir una nueva red base para aumentar la eficiencia de la fusión de características fecales en perros. A lo largo de la red, disminuimos el número de parámetros utilizando convolución separable por profundidad (DSC). En conclusión, MC-SCMNet supera a todos los demás modelos en términos de precisión. En nuestro conjunto de datos DFML autoconstruido, logra una precisión de identificación promedio del 88.27% y un valor de 88.91%. Los resultados de los experimentos demuestran que es más apropiado para la identificación de heces de perro y mantiene resultados estables incluso en fondos complejos, lo que puede aplicarse a chequeos de salud gastrointestinal de perros.