Las manzanas son un cultivo económico altamente valioso a nivel mundial, pero su cultivo a menudo enfrenta desafíos por plagas y enfermedades que afectan severamente el rendimiento y la calidad. Para abordar este problema, este estudio propone un algoritmo mejorado de detección de plagas y enfermedades, YOLO-PEL, basado en YOLOv11, que integra múltiples módulos innovadores, incluyendo PMFEM, EHFPN y LKAP, combinados con estrategias de aumento de datos, mejorando significativamente la precisión y eficiencia de detección en entornos complejos. PMFEM aprovecha la extracción parcial de características multiescala para mejorar efectivamente la representación de características, mejorando en particular la capacidad de capturar objetivos de plagas y enfermedades en fondos complejos. EHFPN emplea fusión jerárquica de características y un mecanismo de atención local eficiente para mejorar notablemente la precisión de detección de objetivos pequeños. LKAP introduce un mecanismo de atención de núcleo grande, ampliando el campo receptivo y mejorando la precisión de localización de las regiones enfermas. Los resultados experimentales demuestran que YOLO-PEL logra un mAP@50 en el subconjunto de manzanas del conjunto de datos Turkey_Plant, representando una mejora de aproximadamente sobre el YOLOv11 base. Además, el modelo exhibe características livianas favorables en términos de complejidad computacional y conteo de parámetros, subrayando su eficacia y robustez en aplicaciones prácticas. YOLO-PEL no solo proporciona una solución eficiente para la detección de plagas y enfermedades agrícolas, sino que también ofrece soporte tecnológico para el avance de la agricultura inteligente. La investigación futura se centrará en optimizar la velocidad del modelo y su diseño liviano para adaptarse a escenarios de aplicación agrícola más amplios, impulsando un mayor desarrollo en tecnologías de inteligencia agrícola.