La pudrición de la espiga por Fusarium (FHB), una grave enfermedad provocada por patógenos fúngicos, representa un riesgo considerable tanto para el rendimiento como para la calidad del trigo de invierno en todo el mundo, subrayando la urgencia de medidas de detección precisas que puedan mitigar y gestionar eficazmente la propagación de FHB. Abordando las limitaciones de los modelos actuales de aprendizaje profundo para capturar características detalladas de las imágenes de UAV, este estudio propone un modelo de identificación avanzado para FHB en trigo basado en imágenes multiespectrales de UAV. El modelo aprovecha la red U2Net como su base, incorporando el mecanismo de Atención por Coordenadas (CA) y el módulo de extracción de características multiescala RFB-S (Receptive Field Block-Small). Al integrar características espectrales clave de bandas multiespectrales (SBs) e índices de vegetación (VIs), el modelo mejora las capacidades de extracción de características y la conciencia de información espacial. El mecanismo CA se utiliza para mejorar la capacidad del modelo para expresar características de imagen, mientras que el módulo RFB-S aumenta el campo receptivo de las capas convolucionales, mejorando la modelización de características espaciales multiescala. Los resultados demuestran que el modelo U2Net mejorado, denominado U2Net-plus, logra una precisión de identificación del 91.73% para FHB en campos de trigo a gran escala, superando significativamente al modelo original y a otros modelos de segmentación semántica convencionales como U-Net, SegNet y DeepLabV3+. Este método facilita la identificación rápida de brotes de FHB a gran escala en trigo, proporcionando un enfoque eficaz para la detección de enfermedades en campos de trigo extensos.