Las enfermedades del arroz son extremadamente perjudiciales para el crecimiento del arroz, y lograr la identificación y clasificación rápida de las manchas de enfermedades del arroz es un medio esencial para promover la producción inteligente de arroz. Sin embargo, debido a la gran variedad de enfermedades del arroz y la apariencia similar de algunas enfermedades del arroz, los métodos de aprendizaje profundo existentes son menos efectivos en la clasificación y detección. Apuntando a tales problemas, este documento tomó las imágenes de manchas de cinco enfermedades comunes del arroz como objeto de investigación y construyó un conjunto de datos de enfermedades del arroz que contiene 2500 imágenes de tizón bacteriano del arroz, tizón de la vaina, mancha foliar de lino, rayado de la hoja y explosión del arroz, incluyendo 500 imágenes de cada enfermedad. Se propuso un modelo de red de aprendizaje profundo ligero mejorado para realizar la identificación precisa de los tipos de enfermedades y las manchas de enfermedades. Se diseñó una red de clasificación de imágenes de enfermedades del arroz basada en el modelo de red RlpNet (red de placa de hoja de arroz), que es la red subyacente, además del modelo de red de detección de objetivos YOLOv3 para lograr la optimización del eslabón de extracción de características, es decir, el muestreo ascendente por convolución transpuesta y el muestreo descendente por convolución dilatada. El modelo YOLOv3 mejorado se comparó con modelos tradicionales de redes neuronales convolucionales, incluyendo los modelos AlexNet, GoogLeNet, VGG-16 y ResNet-34, para el reconocimiento de enfermedades, y los resultados mostraron que la media de recuperación, precisión media, puntuación F1 media y precisión general del modelo de red para la clasificación de enfermedades del arroz fueron del 91,84%, 92,14%, 91,87% y 91,84%, respectivamente, lo cual fue mejorado en comparación con los algoritmos tradicionales. El modelo de red YOLOv3 mejorado se comparó con FSSD, Faster-RCNN, YOLOv3 y YOLOv4 para estudios de detección de manchas, y los resultados mostraron que podía lograr una precisión promedio (mAP) del 86,72%, una tasa de detección (DR) del 93,92%, una tasa de cuadros por segundo (FPS) de 63,4 y una tasa de falsa alarma (FAR) de solo 5,12%. En resumen, el rendimiento integral del modelo propuesto fue mejor que el del algoritmo YOLOv3 tradicional, por lo que este estudio proporciona un nuevo método para la identificación de enfermedades del arroz y la detección de manchas de enfermedades. También tuvo un buen rendimiento en términos de la detección y clasificación comunes de múltiples enfermedades del arroz, lo que proporciona cierto apoyo para la diferenciación común de múltiples enfermedades del arroz y tiene algún valor de aplicación práctica.