El pimiento es un cultivo agrícola de alto valor económico que enfrenta diversos desafíos de enfermedades como el tizón y la antracnosis. Estas enfermedades no solo reducen el rendimiento del pimiento, sino que, en casos severos, también pueden causar pérdidas económicas significativas y amenazar la seguridad alimentaria. La identificación oportuna y precisa de las enfermedades del pimiento es crucial. La tecnología de reconocimiento de imágenes juega un papel clave en este aspecto al automatizar e identificar de manera eficiente las enfermedades del pimiento, ayudando a los trabajadores agrícolas a adoptar e implementar estrategias de control efectivas, aliviando el impacto de las enfermedades y siendo de gran importancia para mejorar la eficiencia de la producción agrícola y promover el desarrollo agrícola sostenible. En respuesta a problemas como el desenfoque de bordes y la extracción de características minuciosas en el reconocimiento de imágenes de enfermedades del pimiento, así como la dificultad para determinar la tasa de aprendizaje óptima durante el proceso de entrenamiento de las redes de identificación de enfermedades del pimiento tradicionales, se propone un nuevo modelo de reconocimiento de enfermedades del pimiento basado en el TPSAO-AMWNet. Primero, se propone una estructura de Convolución Piramidal Residual Adaptativa (ARPC) combinada con un módulo de Compresión y Excitación (SE) para resolver el problema del desenfoque de bordes mediante la utilización de adaptabilidad y atención de canal; en segundo lugar, para abordar el problema de la extracción de microcaracterísticas, se propone la Atención de Enfoque de Enfermedades de Tripletas Menores (MTDFA) para mejorar la captura de detalles locales de las características de enfermedades de las hojas de pimiento mientras se mantiene la atención en las características globales, reduciendo la interferencia de regiones irrelevantes; luego, se introduce una función de pérdida mixta que combina Pérdida Focal Ponderada y regularización L2 (WfrLoss) para refinar la estrategia de aprendizaje durante el procesamiento del conjunto de datos, mejorando el rendimiento del modelo y sus capacidades de generalización mientras se previene el sobreajuste. Posteriormente, para abordar el desafío de determinar la tasa de aprendizaje óptima, se desarrolla el optimizador de ablación de nieve de partículas de tienda (TPSAO) para identificar con precisión la tasa de aprendizaje más efectiva. El modelo TPSAO-AMWNet, entrenado en nuestros conjuntos de datos personalizados, se evalúa en comparación con otros métodos existentes. El modelo alcanza una precisión promedio del 93.52% y un puntaje F1 del 93.15%, demostrando una efectividad y practicidad robustas en la clasificación de enfermedades del pimiento. Estos resultados también ofrecen valiosos conocimientos para la detección de enfermedades en varios otros cultivos.