El desarrollo de la agricultura inteligente ha creado una demanda urgente de tecnologías eficientes y precisas para el reconocimiento y detección de malas hierbas. Sin embargo, la morfología diversa y compleja de las malas hierbas, junto con la escasez de datos etiquetados en escenarios agrícolas, plantea desafíos significativos para los métodos tradicionales de aprendizaje supervisado. Para abordar estos problemas, se propone un modelo de detección de malas hierbas basado en una red generativa de difusión semi-supervisada. Este modelo integra un mecanismo de atención generativo y una pérdida de semi-difusión para permitir la utilización eficiente de datos etiquetados y no etiquetados. Los resultados experimentales demuestran que el método propuesto supera a los enfoques existentes en múltiples métricas de evaluación, logrando una precisión de 0.94, una recuperación de 0.90, una precisión de 0.92, y un mAP@50 y mAP@75 de 0.92 y 0.91, respectivamente. En comparación con métodos tradicionales como DETR, la precisión y la recuperación se mejoran aproximadamente en un 10% y un 8%, respectivamente. Además, en comparación con el YOLOv10 mejorado, el mAP@50 y el mAP@75 se incrementan en un 1% y un 2%, respectivamente. El modelo propuesto de detección de malas hierbas de difusión semi-supervisada proporciona una solución eficiente y confiable para el reconocimiento de malas hierbas e introduce nuevas perspectivas de investigación para la aplicación del aprendizaje semi-supervisado en la agricultura inteligente. Este marco establece tanto fundamentos teóricos como prácticos para abordar los desafíos de detección de objetivos complejos en el ámbito agrícola.