La industria del té, como uno de los productos agrícolas más importantes a nivel mundial, se caracteriza por plagas y enfermedades que representan una seria amenaza para el rendimiento y la calidad. Estas enfermedades y plagas a menudo presentan diferentes escalas y morfologías, y algunos tamaños de objetivo de plagas y enfermedades pueden ser diminutos y difíciles de detectar. Para resolver estos problemas, proponemos TeaViTNet, un modelo de detección de plagas y enfermedades del té basado en la atención multi-escala que combina CNNs y Transformers. Primero, se utiliza MobileViT como la red de extracción de características. MobileViT captura y analiza las características diminutas de plagas y enfermedades en la imagen a través de un mecanismo de autoatención y extracción de características globales. En segundo lugar, se introduce la red EMA-PANet para optimizar el aprendizaje del modelo y la atención a las regiones de plagas y enfermedades de la hoja a través de un módulo de atención multi-escala eficiente con aprendizaje cruzado, lo que mejora la capacidad del modelo para entender información multi-escala. Además, RFBNet se incorpora en el módulo para ampliar aún más el rango perceptual y capturar efectivamente la información de características diminutas en las imágenes de hojas de té. Finalmente, se introduce el bloque convolucional ODCSPLayer, con el objetivo de centrarse en adquirir información de flujo de gradiente más rica. Los resultados experimentales muestran que el modelo TeaViTNet propuesto en este artículo tiene una precisión promedio del 89.1%, lo que representa una mejora significativa sobre la red base MobileViT y es capaz de detectar con precisión las plagas y enfermedades de las hojas de té de diferentes escalas y complejidades.