En los últimos años, se han producido avances significativos en inteligencia artificial, especialmente en el campo del aprendizaje profundo, que cada vez se integran más en aplicaciones agrícolas, incluido procesos críticos como la detección de enfermedades. El tomate, siendo uno de los productos agrícolas más consumidos a nivel mundial y altamente susceptible a una variedad de patógenos fúngicos, bacterianos y virales, sigue siendo un enfoque prominente en la investigación de detección de enfermedades. En este estudio, proponemos un enfoque basado en aprendizaje profundo para la detección de enfermedades en tomates, un desafío crítico en la agricultura debido a la vulnerabilidad del cultivo a patógenos fúngicos, bacterianos y virales. Construimos un conjunto de datos original que comprende 6414 imágenes capturadas en condiciones reales de producción, categorizadas en tres tipos de imágenes: hojas, tomates verdes y tomates rojos. El conjunto de datos incluye cinco clases: muestras sanas, tizón tardío, tizón temprano, moho gris y cáncer bacteriano. Se evaluaron veintiún modelos de aprendizaje profundo, y se seleccionaron los cinco mejores intérpretes (EfficientNet-b0, NasNet-Large, ResNet-50, DenseNet-201 y Places365-GoogLeNet) para la extracción de características. De cada modelo, se extrajeron 1000 características profundas, y la selección de características se realizó utilizando los métodos MRMR, Chi-Square (Chi) y ReliefF. Las 100 mejores características de cada técnica de selección se utilizaron luego para la reclasificación con clasificadores de aprendizaje automático tradicionales bajo validación cruzada de cinco pliegues. La mayor precisión de prueba del 92.0% se logró con las características de EfficientNet-b0, selección Chi y el clasificador Fine KNN. EfficientNet-b0 superó constantemente a otros modelos, mientras que la combinación de NasNet-Large y Wide Neural Network produjo el rendimiento más bajo. Estos resultados demuestran la efectividad de combinar la extracción de características basada en el aprendizaje profundo con clasificadores tradicionales y técnicas de selección de características para una detección sólida de enfermedades en tomates en entornos agrícolas del mundo real.