En la mejora de los rendimientos agrícolas y la garantía de la seguridad alimentaria, la detección precisa de enfermedades en las hojas de maíz es de gran importancia. Los métodos tradicionales de detección de enfermedades muestran un rendimiento limitado en entornos complejos, lo que dificulta satisfacer las demandas de detección precisa en la agricultura moderna. Este documento propone un modelo de detección de enfermedades en las hojas de maíz basado en un mecanismo de atención en el espacio de estados, con el objetivo de utilizar de manera efectiva las características espaciotemporales de las enfermedades en las hojas de maíz para lograr una detección eficiente y precisa. El modelo introduce un mecanismo de atención en el espacio de estados combinado con un módulo de fusión de características multiescala para capturar la distribución espacial y el desarrollo dinámico de las enfermedades del maíz. En comparaciones experimentales, el modelo propuesto demuestra un rendimiento superior en la tarea de detección de enfermedades del maíz, logrando una precisión, recuperación, exactitud y puntuación F1 de 0.94. En comparación con modelos de referencia como AlexNet, GoogLeNet, ResNet, EfficientNet y ViT, el método propuesto alcanza una precisión de 0.95, con las otras métricas también alcanzando 0.94, mostrando una mejora significativa. Además, los experimentos de ablación verifican el impacto de diferentes mecanismos de atención y funciones de pérdida en el rendimiento del modelo. El modelo estándar de autoatención logró una precisión, recuperación, exactitud y puntuación F1 de 0.74, 0.70, 0.72 y 0.72, respectivamente. El Módulo de Atención de Bloque Convolucional (CBAM) mostró una precisión de 0.87, recuperación de 0.83, exactitud de 0.85 y puntuación F1 de 0.85, mientras que el módulo de atención en el espacio de estados alcanzó una precisión de 0.95, con las otras métricas también en 0.94. En términos de funciones de pérdida, la pérdida de entropía cruzada mostró una precisión, recuperación, exactitud y puntuación F1 de 0.69, 0.65, 0.67 y 0.67, respectivamente. La pérdida focal mostró una precisión de 0.83, recuperación de 0.80, exactitud de 0.81 y puntuación F1 de 0.81. La pérdida en el espacio de estados demostró el mejor rendimiento en estos experimentos, logrando una precisión de 0.95, con recuperación, exactitud y puntuación F1 todas en 0.94. Estos resultados indican que el modelo basado en el mecanismo de atención en el espacio de estados logra una mayor precisión de detección y una mejor capacidad de generalización en la tarea de detección de enfermedades en las hojas de maíz, mejorando efectivamente la precisión y eficiencia del reconocimiento de enfermedades y proporcionando un fuerte apoyo técnico para el diagnóstico temprano y la gestión de enfermedades del maíz. El trabajo futuro se centrará en optimizar aún más las capacidades de modelado de características espaciotemporales del modelo y explorar la fusión de datos multimodales para mejorar la aplicación del modelo en escenarios agrícolas reales.