Este estudio aborda el problema de la detección de enfermedades del maíz en la producción agrícola, proponiendo un método de detección de alta precisión basado en Redes Generativas Antagónicas de Atención (Attention-GAN) y aprendizaje de pocos ejemplos. El método introduce un mecanismo de atención, lo que permite al modelo centrarse más en las partes significativas de la imagen, mejorando así el rendimiento del modelo. Al mismo tiempo, se realiza una augmentación de datos a través de Redes Generativas Antagónicas (GAN) para generar más muestras de entrenamiento, superando las dificultades del aprendizaje de pocos ejemplos. Los resultados experimentales demuestran que este método supera a otros modelos de referencia en precisión, recuperación y precisión media promedio (mAP), logrando 0.97, 0.92 y 0.95, respectivamente. Estos resultados validan la alta precisión y estabilidad del método en el manejo de tareas de detección de enfermedades del maíz. Esta investigación proporciona un nuevo enfoque para resolver el problema de pocos ejemplos en aplicaciones prácticas y ofrece referencias valiosas para investigaciones posteriores, contribuyendo al avance de la informatización e inteligencia agrícola.