La ocurrencia de enfermedades del maíz es frecuente pero difícil de manejar. Los métodos tradicionales de identificación tienen baja precisión y estructuras de modelo complejas con numerosos parámetros, lo que dificulta su implementación en dispositivos móviles. Para abordar estos desafíos, este documento propone un modelo de reconocimiento de enfermedades de hojas de maíz SNMPF basado en la red neuronal convolucional ShuffleNetV2. En el módulo de submuestreo del modelo ShuffleNet, la capa de max pooling reemplaza a la capa de convolución profunda para realizar el submuestreo. Esta mejora ayuda a extraer características clave de las imágenes, reduce el sobreajuste del modelo y mejora la capacidad de generalización del modelo. Además, para mejorar la capacidad del modelo para expresar características en fondos complejos, se introdujo el mecanismo de atención Sim AM. Este mecanismo permite que el modelo ajuste de manera adaptativa el enfoque y preste más atención a las características locales discriminativas. Los resultados en un conjunto de datos de imágenes de enfermedades del maíz demuestran que el modelo SNMPF logra una precisión de reconocimiento del 98.40%, lo que representa una mejora de 4.1 puntos porcentuales sobre el modelo original, mientras que su tamaño es de solo 1.56 MB. En comparación con los modelos existentes de redes neuronales convolucionales como EfficientNet, MobileViT, EfficientNetV2, RegNet y DenseNet, este modelo ofrece mayor precisión y un tamaño más compacto. Como resultado, puede detectar y clasificar automáticamente las enfermedades de las hojas de maíz en condiciones de campo natural, con capacidades de reconocimiento de alta precisión. Sus resultados de identificación precisos proporcionan orientación científica para prevenir enfermedades de las hojas de maíz y promueven el desarrollo de la agricultura de precisión.