Las moscas cítricas son importantes plagas de cuarentena en plantaciones de cítricos. Las trampas electrónicas (e-traps) basadas en visión por computadora son los tipos más populares de equipos para monitorearlas. Sin embargo, la mayoría de las e-traps actuales son ineficientes e poco confiables debido a que requieren operaciones manuales y carecen de algoritmos confiables de detección e identificación de imágenes de moscas cítricas. Para abordar estos problemas, este artículo presenta un esquema de monitoreo basado en e-traps automáticas y novedosos algoritmos de reconocimiento. En este esquema, se diseña primero el prototipo de una e-trap automática con motor basada en una trampa pegajosa amarilla. Se propone un algoritmo de autocontrol del motor basado en el análisis de imágenes de Patrón Binario Local (LBP) para reemplazar automáticamente los atrayentes en la e-trap para un trabajo de larga duración. Además, para una estadística eficiente y confiable de las moscas cítricas capturadas, basado en las diferencias entre dos imágenes de muestreo sucesivas de la e-trap, se presenta un algoritmo de detección simple y efectivo para detectar continuamente las moscas cítricas recién capturadas a partir de las imágenes recopiladas de la e-trap. Además, se propone una Red Neuronal Convolucional Multi-Atención y Multi-Parte (MAMPNet) para explotar características locales discriminativas de las imágenes de moscas cítricas para reconocer las moscas cítricas en las imágenes. Finalmente, extensos experimentos de simulación validan la viabilidad y eficiencia del prototipo de e-trap diseñado y su algoritmo de autocontrol, así como la confiabilidad y efectividad de los algoritmos de detección y reconocimiento propuestos para moscas cítricas.