Los enfoques de aprendizaje profundo se han aplicado ampliamente para la detección de enfermedades agrícolas. Sin embargo, todavía existen considerables desafíos, como la baja precisión de reconocimiento en fondos complejos y altas tasas de error en el diagnóstico de enfermedades similares. Este estudio tuvo como objetivo abordar estos desafíos a través de la detección de seis enfermedades prevalentes del trigo y trigo sano en imágenes capturadas en un contexto natural complejo, evaluando el rendimiento de reconocimiento de cinco redes neuronales convolucionales ligeras. Se desarrolló un modelo novedoso, llamado MnasNet-SimAM, combinando el aprendizaje por transferencia y un mecanismo de atención. Los resultados revelan que las cinco redes neuronales convolucionales ligeras pueden reconocer las seis diferentes enfermedades del trigo con una precisión de más del 90%. El modelo MnasNet-SimAM alcanzó una precisión del 95.14%, que es un 1.7% mejor que la del modelo original, mientras que solo aumentó el tamaño de los parámetros del modelo en 0.01 MB. Además, el modelo MnasNet-SimAM alcanzó una precisión del 91.20% en el conjunto de datos público de Enfermedades Fúngicas del Trigo, demostrando su excelente capacidad de generalización. Estos hallazgos revelan que el modelo propuesto puede satisfacer los requisitos para la detección rápida y precisa de enfermedades del trigo.