Las infestaciones de plagas en los jardines de té son uno de los problemas comunes encontrados durante el cultivo del té. Este estudio presenta un modelo de red YOLOv8 mejorado para la detección de plagas en el té con el fin de facilitar la identificación rápida y precisa de microplagas en etapa temprana, abordando desafíos como conjuntos de datos pequeños y la dificultad de extraer características fenotípicas de las plagas objetivo en la detección de plagas en el té. Basado en el marco de red YOLOv8 original, este estudio adopta la función de pérdida optimizada SIoU para mejorar la capacidad de aprendizaje del modelo para muestras de plagas. AKConv se introduce para reemplazar ciertas estructuras de red, mejorando las capacidades de extracción de características y reduciendo el número de parámetros del modelo. Se incorpora un Vision Transformer con Atención de Enrutamiento de Doble Nivel para proporcionar al modelo una asignación de cálculo más flexible y mejorar su capacidad para capturar información de posición objetivo. Los resultados experimentales muestran que la red YOLOv8 mejorada logra una precisión de detección del 98.16% para la detección de plagas en el té, lo que supone una mejora del 2.62% respecto a la red YOLOv8 original. En comparación con los modelos YOLOv10, YOLOv9, YOLOv7, Faster RCNN y SSD, la red YOLOv8 mejorada ha aumentado el valor de mAP en un 3.12%, 4.34%, 5.44%, 16.54% y 11.29%, respectivamente, permitiendo la identificación rápida y precisa de microplagas en etapa temprana en los jardines de té. Este estudio propone un modelo de red YOLOv8 mejorado basado en aprendizaje profundo para la detección de microplagas en el té, proporcionando un método de investigación viable y una referencia significativa para abordar la identificación de microplagas en el té. Ofrece un camino efectivo para el desarrollo de alta calidad de la industria ecológica del té de Yunnan y garantiza el crecimiento saludable de la industria del té.