El maíz es uno de los principales cultivos alimentarios en China, y su área se encuentra entre las tres primeras del mundo. Sin embargo, la enfermedad de las hojas de maíz ha afectado seriamente el rendimiento y la calidad del maíz. Para identificar rápidamente y de manera precisa las enfermedades de las hojas de maíz, y aplicar un tratamiento oportuno y efectivo para reducir la pérdida de rendimiento del maíz, propusimos identificar las enfermedades de las hojas de maíz utilizando el modelo Mobilenetv3 (CD-Mobilenetv3). Basándonos en el modelo Mobilenetv3, reemplazamos la función de pérdida de entropía cruzada del modelo por una función de pérdida de sesgo para mejorar la precisión. Reemplazamos el módulo de squeeze and excitation (SE) del modelo con el módulo de atención de canal eficiente (ECA) para reducir los parámetros. Introdujimos conexiones entre capas cruzadas entre los módulos móviles para utilizar características de manera sintética. Luego, introdujimos convoluciones dilatadas en el modelo para aumentar el campo receptivo. Integrando un conjunto de datos híbrido de enfermedades de hojas de maíz de código abierto (CLDD). Los resultados de la prueba en CLDD mostraron que la precisión alcanzó el 98.23%, la precisión alcanzó el 98.26%, la recuperación alcanzó el 98.26%, y el puntaje F1 alcanzó el 98.26%. Los resultados de la prueba mejoraron en comparación con los modelos clásicos de aprendizaje profundo (DL) ResNet50, ResNet101, ShuffleNet_x2, VGG16, SqueezeNet, InceptionNetv3, etc. El valor de pérdida fue de 0.0285, y los parámetros fueron más bajos que la mayoría de los modelos contrastantes. Los resultados experimentales verificaron la validez del modelo CD-Mobilenetv3 en la identificación de enfermedades de hojas de maíz. Proporciona un soporte técnico adecuado para el control oportuno de las enfermedades de hojas de maíz.