Es de gran importancia práctica identificar de manera rápida, precisa y efectiva los efectos de las enfermedades del arroz en el rendimiento del arroz. Este documento propone un método de identificación de enfermedades del arroz basado en una red DenseNet mejorada (DenseNet). Este método utiliza DenseNet como modelo de referencia y utiliza el mecanismo de atención del canal squeeze-and-excitation para fortalecer las características favorables, mientras suprime las características desfavorables. Luego, se introducen convoluciones separables en profundidad para reemplazar algunas convoluciones estándar en la red densa para mejorar la utilización de parámetros y la velocidad de entrenamiento. Utilizando el algoritmo AdaBound, combinado con el método de optimización adaptativa, se reduce el tiempo de ajuste de parámetros. En los experimentos con cinco tipos de conjuntos de datos de enfermedades del arroz, la precisión promedio de clasificación del método en este documento es del 99.4%, lo que es 13.8 puntos porcentuales más alto que el modelo original. Al mismo tiempo, se compara con otros métodos de reconocimiento existentes, como ResNet, VGG y Vision Transformer. La precisión de reconocimiento de este método es mayor, realiza la clasificación efectiva de imágenes de enfermedades del arroz y proporciona un nuevo método para el desarrollo de la tecnología de identificación de enfermedades de cultivos y la agricultura inteligente.