Las enfermedades del Ginkgo biloba han causado grandes pérdidas en la medicina y la economía. Por lo tanto, si se puede identificar automáticamente el grado de enfermedad en las hojas de Ginkgo biloba, las personas tomarán medidas apropiadas para evitar pérdidas con anticipación. El aprendizaje profundo ha logrado grandes avances en la identificación y clasificación de enfermedades de las plantas. Para este trabajo, se utilizó un modelo de red neuronal convolucional para clasificar los diferentes grados de enfermedad de las hojas de ginkgo. Este estudio utilizó los modelos VGGNet-16 y Inception V3. Después de preprocesar y entrenar 1322 imágenes originales en condiciones de laboratorio y 2408 imágenes originales en condiciones de campo, se logró una precisión del 98.44% en condiciones de laboratorio y del 92.19% en condiciones de campo con el modelo VGG. El modelo Inception V3 logró una precisión del 92.3% en condiciones de laboratorio y del 93.2% en condiciones de campo. Así, la estructura del modelo Inception V3 fue más adecuada para las condiciones de campo. Hasta donde sabemos, hay muy poca investigación sobre la clasificación de diferentes grados de la misma enfermedad de la planta. El éxito de este estudio tendrá un impacto significativo en la predicción y prevención temprana de la marchitez de las hojas de ginkgo.