Las enfermedades de las hojas de manzana son uno de los factores más importantes que reducen la calidad y el rendimiento de las manzanas. La tecnología de detección de objetos basada en el aprendizaje profundo puede detectar enfermedades de manera oportuna y ayudar a automatizar el control de enfermedades, reduciendo así las pérdidas económicas. En el entorno natural, los pequeños objetivos de enfermedades de las hojas de manzana (con una resolución inferior a 32 x 32 píxeles) son fácilmente pasados por alto. Para abordar los problemas de interferencia de fondo complejo, la difícil detección de pequeños objetivos y la detección sesgada de las cajas de predicción que existen en los detectores estándar, en este artículo, construimos un conjunto de datos de pequeños objetivos TTALDD-4 que contiene cuatro tipos de enfermedades, que incluyen manchas foliares de Alternaria, manchas foliares de Frogeye, manchas grises y óxido, y propusimos el detector HSSNet basado en el estándar YOLOv7-tiny para la detección profesional de pequeños objetivos de enfermedades de las hojas de manzana. En primer lugar, se propone el mecanismo de atención H-SimAM para centrarse en las lesiones del primer plano en el fondo complejo de la imagen. En segundo lugar, se propone el bloque SP-BiFormer para mejorar la capacidad del modelo para percibir pequeños objetivos de enfermedades foliares. Finalmente, utilizamos la pérdida SIOU para mejorar el caso de sesgo en las cajas de predicción. Los resultados experimentales muestran que HSSNet logra un 85.04% de mAP (precisión media promedio), un 67.53% de AR (recall promedio) y 83 FPS (fotogramas por segundo). En comparación con otros detectores estándar, HSSNet mantiene una alta velocidad de detección en tiempo real con mayor precisión de detección. Esto proporciona una referencia para el control automatizado de las enfermedades de las hojas de manzana.