La ocurrencia de plagas con alta frecuencia ha sido identificada como una causa principal de la disminución de los rendimientos de cítricos, y la detección temprana y prevención son de gran importancia para el control de plagas. En la actualidad, los estudios relacionados con la identificación de plagas cítricas mediante aprendizaje profundo sufren de tamaños de muestra desequilibrados entre las clases del conjunto de datos, lo que puede causar una convergencia lenta de los modelos de red y una baja precisión de identificación. Para abordar los problemas mencionados, este estudio construyó un conjunto de datos que incluye 5182 imágenes de plagas en 14 categorías. En primer lugar, ampliamos el conjunto de datos a 21,000 imágenes utilizando la técnica de aumento de datos de la Red Generativa Adversaria Recurrente Atenta (AR-GAN), luego construimos modelos de reconocimiento de plagas cítricas con la Red de Grupo de Geometría Visual (VGG), la Red Neuronal Residual (ResNet) y MobileNet utilizando transfer learning, y finalmente, introdujimos un mecanismo de atención apropiado de acuerdo con las características del modelo para mejorar la capacidad de los tres modelos de operar de manera efectiva en entornos reales y complejos, poniendo mayor énfasis en la incorporación de las características profundas de las propias plagas. Los resultados mostraron que la precisión promedio de reconocimiento de los tres modelos alcanzó el 93.65%, la precisión promedio alcanzó el 93.82%, la recuperación promedio alcanzó el 93.65%, y el puntaje F1 promedio alcanzó el 93.62%. La aplicación integrada del aumento de datos, transfer learning y mecanismos de atención en la investigación puede mejorar significativamente la capacidad del modelo para clasificar plagas cítricas mientras ahorra costos y tiempo de entrenamiento, lo que puede ser una referencia para investigadores en la industria u otros campos.