La identificación eficiente de enfermedades de hojas de manzana (ALDs) puede reducir el uso de pesticidas y aumentar la calidad de la fruta de manzana, lo cual es significativo para la agricultura inteligente. Sin embargo, la investigación existente sobre la identificación de ALDs carece de modelos/métodos que satisfagan una identificación eficiente en el entorno natural, lo que dificulta la aplicación de la agricultura inteligente en la industria de la manzana. Por lo tanto, este documento explora una red neuronal convolucional (CNN) precisa, ligera y robusta llamada EfficientNet-MG, mejorando la red EfficientNet convencional mediante el método de fusión de características multietapa (MSFF) y la función de activación de la unidad lineal de error gaussiano (GELU). Las capas convolucionales superficiales y profundas suelen contener información detallada y semántica, respectivamente, pero los EfficientNets convencionales no utilizan completamente las diferentes capas convolucionales en etapas. Por lo tanto, se adoptó MSFF para mejorar la capacidad de representación semántica de la última capa de características, y se utilizó GELU para adaptarse a tareas complicadas. Además, se construyó un conjunto de datos ALD llamado AppleLeaf9 para el entorno natural. Los resultados experimentales muestran que EfficientNet-MG logra una mayor precisión (99.11%) y menos parámetros (8.42 M) que los cinco modelos clásicos de CNN, demostrando así que EfficientNet-MG obtiene resultados más competitivos en la identificación de ALD.