La enfermedad del marchitamiento del pino (PWD) se ha vuelto cada vez más grave recientemente y causa grandes daños a los recursos forestales de pino en el mundo. El uso de vehículos aéreos no tripulados (UAV) basados en sensores remotos ayuda a identificar árboles infectados por nematodos del pino a tiempo y se ha convertido en un enfoque factible y efectivo para monitorear con precisión la infección por PWD. Sin embargo, un enfoque de detección rápida y de alta precisión no se ha establecido bien en un entorno de terreno complejo. Con este fin, se propone un método de identificación de árboles infectados por nematodos del pino basado en aprendizaje profundo, fusionando imágenes visibles y multiespectrales. Se utilizó un UAV equipado con una cámara multiespectral y una cámara visible para obtener imágenes, donde la imagen multiespectral incluye seis bandas, es decir, rojo, verde, azul, infrarrojo cercano, borde rojo y borde rojo a 750 nm. Se extraen dos índices de vegetación, NDVI (Índice de Vegetación de Diferencia Normalizada) y NDRE (Índice de Diferencia Normalizada del Borde Rojo) como características típicas según la reflectancia de los árboles infectados en diferentes bandas espectrales. Se adopta y optimiza el algoritmo de detección basado en YOLOv5 (You Only Look Once v5) desde diferentes aspectos para realizar la identificación de árboles de pino infectados con alta velocidad y precisión de detección. Por ejemplo, se adopta GhostNet para reducir el número de parámetros del modelo y mejorar la velocidad de detección; se diseña un módulo que combina un CBAM (Módulo de Atención de Bloque Convolucional) y un mecanismo CA (Atención por Coordenadas) para mejorar la extracción de características para árboles de nematodos del pino de pequeña escala; se aplican el módulo Transformer y la estructura BiFPN (Red de Pirámide de Características Bidireccional) para mejorar la capacidad de fusión de características. Los experimentos muestran que el mAP@0.5 del modelo YOLOv5 mejorado es del 98.7%, la precisión es del 98.1%, el recall es del 97.3%, la velocidad media de detección de una sola imagen es de 0.067 s y el tamaño del modelo es de 46.69 MB. Todas estas métricas superan a otros métodos de comparación. Por lo tanto, el método propuesto puede lograr una detección rápida y precisa de árboles infectados por nematodos del pino, proporcionando un soporte técnico efectivo para el control de una epidemia de nematodos del pino.