La clasificación de colonias recién formadas es fundamental para descubrir fuentes de infección y permitir la medicina de precisión, con un valor clínico significativo. Sin embargo, debido a las características ambiguas de las imágenes de colonias en etapas tempranas en platos de cultivo, los algoritmos de clasificación de visión por computadora (CV) convencionales suelen ser ineficaces. Para lograr una clasificación precisa y eficiente de colonias, este artículo propone un método de alta precisión basado en la Homología Persistente (PH) y un EfficientNet mejorado. Específicamente, (1) se aplica un algoritmo de extracción de características de PH a las colonias de Candida albicans (CA) y Staphylococcus epidermidis (SE) cultivadas durante 18 h en placas de Petri para capturar su información topológica. (2) Se modifica el módulo Mobile Inverted Bottleneck Convolution (MBConv) en EfficientNet, mejorando el mecanismo de atención para manejar mejor objetivos locales pequeños. (3) Se introduce un mecanismo de autoatención novedoso llamado Transformador Espacial y Contextual (SCoT), que procesa información en múltiples escalas, aumentando la resolución en direcciones ortogonales de la imagen y la capacidad de agregación de mapas de características. El enfoque propuesto logra una alta precisión del 98.64%, una mejora del 10.29% sobre el modelo de clasificación original. Los hallazgos de la investigación indican que este método puede clasificar eficazmente colonias con alta eficiencia.