El uso de redes neuronales para la identificación de enfermedades de las plantas es un tema candente de investigación actual. Sin embargo, a diferencia de la clasificación de objetos ordinarios, las características de las enfermedades de las plantas varían con frecuencia, lo que resulta en una variación sustancial dentro de la misma clase; además, el ruido ambiental complejo hace que sea más difícil para el modelo categorizar las enfermedades. En este artículo, se propone una red neuronal de fusión de características multidimensionales y atención (AMDFNet) para la clasificación de enfermedades, basada en la fusión de características multidimensionales y un mecanismo de atención, que mejora la capacidad de clasificación del modelo al fusionar características en cada capa de la estructura Inception y al mejorar las características fusionadas con un refuerzo atencional. El modelo se comparó con las redes neuronales convolucionales clásicas GoogLeNet, Inception V3, ResNet50 y DenseNet121, así como con la última red de clasificación de imágenes de enfermedades DICNN en un conjunto de datos de enfermedades de camelia construido por nosotros. Los resultados experimentales muestran que la precisión de reconocimiento del nuevo modelo alcanza el 86.78% bajo las mismas condiciones experimentales, lo que es un 2.3% más alto que el de GoogLeNet con una estructura Inception simple, y el número de parámetros se reduce a una cuarta parte en comparación con modelos grandes como ResNet50. El método propuesto en este artículo puede ejecutarse en dispositivos móviles con una mayor precisión de identificación y un menor número de parámetros del modelo.