En respuesta a la dificultad de detección y clasificación de enfermedades en las hojas de las plantas, este estudio propone un nuevo método de detección de enfermedades en hojas de plantas llamado detección SSD de atención de bloque profundo (DBA_SSD) para la identificación de enfermedades y clasificación del grado de enfermedad de las hojas de las plantas. Proponemos tres métodos de detección de hojas de plantas, a saber, SSD de compresión y excitación (Se_SSD), SSD de bloque profundo (DB_SSD) y DBA_SSD. Se_SSD fusiona la red de extracción de características SSD y el mecanismo de atención del canal, DB_SSD mejora la red de extracción de características VGG, y DBA_SSD fusiona la red VGG mejorada y el mecanismo de atención del canal. Para reducir el tiempo de entrenamiento y acelerar el proceso de entrenamiento, las capas convolucionales entrenadas en el conjunto de datos de imágenes Image Net por el modelo VGG se migran a este modelo, mientras que el conjunto de datos de imágenes de enfermedades de hojas de plantas recopilado se divide aleatoriamente en conjunto de entrenamiento, conjunto de validación y conjunto de prueba en la proporción de 8:1:1. Elegimos el conjunto de datos PlantVillage después de una cuidadosa consideración porque contiene imágenes relacionadas con el dominio de interés. Este conjunto de datos consiste en imágenes de 14 plantas, incluidas imágenes de manzanas, tomates, fresas, pimientos y papas, así como las hojas de otras plantas. Además, se utilizaron métodos de mejora de datos, como la ecualización de histograma y el volteo horizontal para expandir los datos de imagen. El rendimiento de los tres algoritmos mejorados se compara y analiza en el mismo entorno y con los algoritmos clásicos de detección de objetivos YOLOv4, YOLOv3, Faster RCNN y YOLOv4 tiny. Los experimentos muestran que DBA_SSD supera a los otros dos algoritmos mejorados, y su rendimiento en el análisis comparativo es superior al de otros algoritmos de detección de objetivos.