Este estudio tiene como objetivo mejorar la precisión del conteo de espigas de trigo y la detección de enfermedades, explorando la aplicación del aprendizaje profundo en el sector agrícola. Abordando las deficiencias de los métodos de detección tradicionales, proponemos una estrategia avanzada de extracción de características y un modelo basado en el mecanismo de atención de densidad de probabilidad, diseñado para manejar de manera más efectiva la extracción de características en fondos complejos y áreas densas. A través de experimentos comparativos con varios modelos avanzados, evaluamos de manera integral el rendimiento de nuestro modelo. En la tarea de detección de enfermedades, nuestro modelo tiene un rendimiento excelente, logrando una precisión de 0.93, un recall de 0.89, una exactitud de 0.91 y un mAP de 0.90. Al introducir la función de pérdida de densidad, podemos mejorar efectivamente la precisión de detección al tratar con regiones de alta densidad. En la tarea de conteo de espigas de trigo, el modelo también demuestra un rendimiento sólido, con una precisión de 0.91, un recall de 0.88, una exactitud de 0.90 y un mAP de 0.90, validando aún más su efectividad. Además, este documento también realiza experimentos de ablación sobre diferentes funciones de pérdida. Los resultados de esta investigación proporcionan un nuevo método para el conteo de espigas de trigo y la detección de enfermedades, reflejando plenamente el valor de aplicación del aprendizaje profundo en la agricultura de precisión. Al combinar el mecanismo de atención de densidad de probabilidad y la función de pérdida de densidad, el modelo propuesto mejora significativamente la precisión y eficiencia de detección, ofreciendo referencias importantes para futuras investigaciones relacionadas.