Proteger los rendimientos de los cultivos es el aspecto más importante de la producción agrícola, y una de las medidas importantes para preservar los rendimientos es el control de plagas y enfermedades de los cultivos; por lo tanto, la identificación de plagas y enfermedades de los cultivos es de importancia irremplazable. En los últimos años, con la madurez de la tecnología de visión por computadora, se han proporcionado más posibilidades para implementar la detección de enfermedades de las plantas. Sin embargo, aunque los métodos de aprendizaje profundo se utilizan ampliamente en varias tareas de visión por computadora, todavía existen limitaciones y obstáculos en las aplicaciones prácticas. Los algoritmos tradicionales basados en aprendizaje profundo tienen algunas desventajas en esta área de investigación: (1) La precisión de reconocimiento y la velocidad de cálculo no pueden combinarse. (2) Las diferentes características de plagas y enfermedades interfieren entre sí y reducen la precisión del diagnóstico de plagas y enfermedades. (3) La mayoría de las investigaciones existentes se centran en la eficiencia de reconocimiento e ignoran la eficiencia de inferencia, lo que limita la aplicación práctica en la producción. En este estudio, se propone un modelo integrado que combina redes de detección de objetivos de una etapa y de dos etapas. La red de una etapa se basa en la red YOLO, y su estructura interna se optimiza; la red de dos etapas se basa en el Faster-RCNN, y el tamaño del marco objetivo se agrupa primero utilizando un algoritmo de agrupamiento en la etapa de generación de marcos candidatos para mejorar la detección de pequeños objetivos. Posteriormente, se integran los dos modelos para realizar la tarea de inferencia. Para el entrenamiento, utilizamos el aprendizaje por transferencia para mejorar la velocidad de entrenamiento del modelo. Finalmente, entre las 37 plagas y 8 enfermedades detectadas, este modelo logra un 85.2% de mAP, que es mucho más alto que otros modelos comparativos. Después de eso, optimizamos el modelo para las categorías de detección deficientes y verificamos el rendimiento de generalización en conjuntos de datos de código abierto. Además, para aplicar rápidamente este método a escenarios del mundo real, desarrollamos una aplicación integrada en este modelo para la plataforma móvil y pusimos el modelo en uso agrícola práctico.