Clasificar eficientemente las hojas de té en un entorno natural es una base tecnológica crucial para la automatización de robots recolectores de té. En este estudio, para resolver los problemas de distribución densa, capacidad limitada de extracción de características y detección falsa en el campo de reconocimiento de clasificación de té, se propuso un modelo mejorado YOLOv8n para el reconocimiento de clasificación y conteo de té. En primer lugar, se incrustó el módulo SPD-Conv en la espinaza del modelo de red para mejorar la capacidad de extracción de características profundas del objetivo. En segundo lugar, se integró el Super-Token Vision Transformer para reducir la atención del modelo a información redundante, mejorando así su capacidad de percepción para el té. Posteriormente, se mejoró la función de pérdida a MPDIoU, lo que aceleró la velocidad de convergencia y optimizó el rendimiento. Finalmente, se añadió una función de conteo de clasificación-posicionamiento para lograr el propósito de conteo de clasificación. Los resultados experimentales mostraron que, en comparación con el modelo original, la precisión, la recuperación y la precisión promedio mejoraron en un 17,6%, 19,3% y 18,7%, respectivamente. La precisión promedio de un solo brote, un brote con una hoja y un brote con dos hojas fue del 88,5%, 89,5% y 89,1%. En este estudio, el modelo mejorado demostró una fuerte robustez y se demostró adecuado para la clasificación de té y equipos de recolección de borde, sentando una base sólida para la mecanización de la industria del té.