El daño causado por las plagas es un factor importante que reduce el rendimiento de los cultivos y tiene impactos negativos en la economía. Sin embargo, el trasfondo complejo, la diversidad de las plagas y las diferencias individuales plantean desafíos para los algoritmos de clasificación. En este estudio, proponemos una red neuronal basada en parches (PMLPNet) para la clasificación de plagas de múltiples clases. PMLPNet aprovecha características semánticas contextuales espaciales y de canal a través de MLPs de mezcla de token y canal meticulosamente diseñados, respectivamente. Esta estructura innovadora mejora la capacidad del modelo para clasificar con precisión plagas de múltiples clases complejas al proporcionar características semánticas de píxeles locales y globales de alta calidad para la capa completamente conectada y la función de activación. Construimos una base de datos de 4510 imágenes que abarcan 40 tipos de plagas de plantas en 4 cultivos. Los resultados experimentales demuestran que PMLPNet supera a los modelos de CNN existentes, logrando una precisión del 92.73%. Además, los mapas de calor revelan distinciones entre diferentes imágenes de plagas, mientras que las visualizaciones basadas en la probabilidad de parches resaltan la heterogeneidad dentro de las imágenes de plagas. La validación en conjuntos de datos externos (IP102 y PlantDoc) confirma el sólido rendimiento de generalización de PMLPNet. En resumen, nuestra investigación avanza en técnicas inteligentes de clasificación de plagas, identificando efectivamente varios tipos de plagas en imágenes de cultivos diversos.