Este artículo propone un modelo avanzado de aprendizaje profundo que integra la estructura Diffusion-Transformer y un mecanismo de atención paralela para las tareas de estimación de crecimiento y detección de enfermedades en bosques de jujube. Los métodos existentes en el monitoreo forestal a menudo no satisfacen las necesidades prácticas de áreas forestales a gran escala y altamente complejas debido a limitaciones en las capacidades de procesamiento de datos y la precisión en la extracción de características. En respuesta a este desafío, este artículo diseña y realiza una serie de pruebas de referencia y experimentos de ablación para evaluar y verificar sistemáticamente el rendimiento del modelo propuesto en métricas clave de rendimiento como precisión, recuperación, exactitud y puntuación F1. Los resultados experimentales demuestran que, en comparación con modelos tradicionales de aprendizaje automático como Máquinas de Vectores de Soporte y Bosques Aleatorios, así como modelos comunes de aprendizaje profundo como AlexNet y ResNet, el modelo propuesto en este artículo logra una precisión del 95%, una recuperación del 92%, una exactitud del 93% y una puntuación F1 del 94% en la tarea de detección de enfermedades en bosques de jujube, mostrando un rendimiento igualmente superior en las tareas de estimación de crecimiento. Además, los experimentos de ablación con diferentes mecanismos de atención y funciones de pérdida validan aún más la efectividad de la atención paralela y la función de pérdida paralela en la mejora del rendimiento general del modelo. Estos hallazgos de investigación no solo proporcionan un nuevo camino técnico para el monitoreo de enfermedades forestales y la evaluación de la salud, sino que también contribuyen con ricas bases teóricas y experimentales para campos relacionados.