La identificación rápida y precisa de las enfermedades de las hojas de cítricos es crucial para el desarrollo sostenible de la industria de los cítricos. Dado que las muestras de enfermedades de las hojas de cítricos son pequeñas, distribuidas de manera desigual y difíciles de recolectar, rediseñamos la estructura del generador de FastGAN y agregamos desviaciones estándar de lotes pequeños al discriminador para producir un modelo mejorado llamado FastGAN2, que se utilizó para generar imágenes de enfermedades de cítricos y deficiencia nutricional (deficiencia de zinc y magnesio). El rendimiento del modelo existente degrada significativamente cuando los datos de entrenamiento y prueba muestran grandes diferencias en la apariencia u origen de diferentes regiones. Para resolver este problema, proponemos una red EfficientNet-B5 que incorpora la pérdida de margen angular adaptativo (Arcface) con el mecanismo de perturbación de peso adversario, y lo llamamos EfficientNet-B5-pro. La red FastGAN2 puede entrenarse utilizando solo 50 imágenes. La Distancia de Inception de Fréchet (FID) y la Distancia de Inception de Kernel (KID) mejoran en un 31.8% y un 59.86%, respectivamente, en comparación con la red FastGAN original; se generaron 8000 imágenes utilizando la red FastGAN2 (2000 enfermedad de estrella negra, 2000 enfermedad de cancro, 2000 saludables, 2000 deficiencia). Solo se utilizaron imágenes generadas por la red FastGAN2 como conjunto de entrenamiento para entrenar las diez redes de clasificación. Las imágenes reales, que no se utilizaron para entrenar la red FastGAN2, se utilizaron como conjunto de prueba. Las tasas de precisión promedio de las diez redes de clasificación superaron el 93%. La precisión, la precisión, la recuperación y las puntuaciones F1 logradas por EfficientNet-B5-pro fueron del 97.04%, 97.32%, 96.96% y 97.09%, respectivamente, y fueron un 2.26%, 1.19%, 1.98% y 1.86% más altas que las de EfficientNet-B5, respectivamente. El modelo de red de clasificación puede entrenarse con éxito utilizando solo las imágenes generadas por FastGAN2, y EfficientNet-B5-pro tiene una buena generalización y robustez. El método utilizado en este estudio puede ser una herramienta efectiva para la clasificación de imágenes de enfermedades de cítricos y deficiencia nutricional utilizando un número reducido de muestras.