El análisis de la cobertura del suelo utilizando técnicas de aprendizaje profundo juega un papel fundamental en la comprensión de la dinámica del uso del suelo, lo cual es crucial para la gestión del territorio, la planificación urbana y la cartografía. Sin embargo, debido a la complejidad de las imágenes de teledetección, los modelos de aprendizaje profundo enfrentan desafíos prácticos en la etapa de preprocesamiento, como la extracción incompleta de características geográficas a gran escala, la pérdida de detalles finos y problemas de desalineación en la unión de imágenes. Para abordar estos problemas, este documento presenta el Marco de Extracción Modular a Escala Múltiple (MMS-EF) diseñado específicamente para mejorar los modelos de aprendizaje profundo en aplicaciones de teledetección. El marco incorpora tres componentes clave: (1) un módulo de segmentación superpuesta a múltiples escalas que captura información geográfica integral a través de un procesamiento multicanal y a múltiples escalas, asegurando la integridad de las características a gran escala; (2) un módulo de fusión de características a múltiples escalas que integra características locales y globales, facilitando la unión de imágenes sin problemas y mejorando la precisión de clasificación; y (3) un módulo de mejora de detalles que refina la extracción de características a pequeña escala, enriqueciendo la información semántica de las imágenes. Se realizaron extensos experimentos en varios modelos de aprendizaje profundo, y el marco fue validado en dos conjuntos de datos públicos. Los resultados demuestran que el enfoque propuesto mitiga efectivamente las limitaciones de los métodos de preprocesamiento tradicionales, mejorando significativamente la precisión de extracción de características y exhibiendo una fuerte adaptabilidad en diferentes conjuntos de datos.