En este estudio, nuestro objetivo es encontrar un método efectivo para resolver el problema de la similitud de enfermedades causadas por múltiples enfermedades que ocurren en la misma hoja. Este estudio propone el uso de un modelo RegNet optimizado para identificar siete enfermedades comunes de las hojas de manzano. Realizamos comparaciones y análisis sobre el impacto de varios factores, como los métodos de entrenamiento, los métodos de expansión de datos, la selección de optimizadores, el fondo de la imagen y otros factores, en el rendimiento del modelo. Los hallazgos sugieren que utilizar expansión offline y aprendizaje por transferencia para ajustar todos los parámetros de las capas puede mejorar el rendimiento de clasificación del modelo, mientras que los fondos de imagen complejos influyen significativamente en el rendimiento del modelo. Además, el modelo de red RegNet optimizado demuestra una buena capacidad de generalización para ambos conjuntos de datos, logrando precisiones de prueba del 93.85% y 99.23%, respectivamente. Estos resultados destacan el potencial del modelo de red RegNet optimizado para lograr una identificación de alta precisión de diferentes enfermedades en la misma hoja de manzano bajo fondos de campo complejos. Esto será de gran importancia para la identificación inteligente de enfermedades en huertos de manzano en el futuro.