Identificar con precisión las malezas en los campos de cultivo es clave para lograr la pulverización selectiva de herbicidas. La identificación de malezas se ve dificultada por la densa distribución de malezas y cultivos, lo que hace que la segmentación de límites en la superposición sea inexacta, y por lo tanto, los píxeles no pueden clasificarse correctamente. Para resolver este problema, este estudio propone un modelo de reconocimiento de malezas en campos de soja basado en un modelo DeepLabv3+ mejorado, que utiliza un transformador Swin como columna vertebral de extracción de características para mejorar la utilización del modelo de relaciones de información global, fusiona mapas de características de diferentes tamaños en la sección de decodificación para mejorar la utilización de características de diferentes dimensiones, y agrega un módulo de atención de bloque de convolución (CBAM) después de cada fusión de características para mejorar la utilización del modelo de información enfocada en los mapas de características, lo que resulta en un nuevo modelo de reconocimiento de malezas, Swin-DeepLab. Utilizando este modelo para identificar un conjunto de datos que contiene un gran número de plántulas de soja con malezas distribuidas densamente, la proporción de intersección promedio alcanzó el 91,53%, la precisión mejoró en un 2,94% en comparación con la anterior a la mejora con solo un aumento de 48 ms en el tiempo de reconocimiento, y la precisión fue superior a la de otros modelos clásicos de segmentación semántica. Los resultados mostraron que la red Swin-DeepLab propuesta en este documento puede resolver con éxito los problemas de reconocimiento incorrecto de contornos de límites cuando las malezas están distribuidas densamente con los cultivos y la clasificación incorrecta cuando los objetivos de reconocimiento se superponen, proporcionando una dirección para la aplicación adicional de transformadores en el reconocimiento de malezas.