El arroz es el alimento básico principal en muchos países asiáticos, y asegurar la calidad de los cultivos de arroz es vital para la seguridad alimentaria. La gestión efectiva de los cultivos depende de la detección temprana y precisa de enfermedades comunes del arroz como la bacteriosis, la brusone, la mancha marrón y el tungro. Este trabajo presenta un modelo de red neuronal convolucional para clasificar enfermedades de las hojas de arroz. Cuatro enfermedades distintas, bacteriosis, brusone, mancha marrón y tungro, son los principales objetivos del modelo. Anteriormente, las patologías de las hojas en los cultivos se identificaban principalmente de forma manual utilizando equipos especializados, lo cual era lento e ineficiente. Este estudio ofrece un remedio para diagnosticar y clasificar con precisión las enfermedades de las hojas de arroz a través de técnicas de aprendizaje profundo. Utilizando este conjunto de datos, el modelo de CNN propuesto fue entrenado para identificar patrones y atributos complejos vinculados a cada enfermedad utilizando sus capacidades de aprendizaje profundo. Este modelo de CNN logró una precisión excepcional del 99.99%, superando los puntos de referencia establecidos por los modelos existentes de vanguardia. El modelo propuesto puede ser un sistema de diagnóstico y alerta temprana útil para las enfermedades de las hojas de arroz. Podría ayudar a los agricultores y otros profesionales agrícolas a reducir las pérdidas de cultivos y mejorar la calidad de sus rendimientos.