Las enfermedades de los cítricos tienen un impacto grave tanto en la calidad como en la cantidad de la producción y el mercado de cítricos. La detección automática de la gravedad es esencial para la producción de frutas de alta calidad. En el trabajo actual, se preprocesa un conjunto de datos de frutas cítricas mediante el reescalado y el establecimiento de cuadros delimitadores con un software de imágenes etiquetadas. Luego, se aplica una búsqueda selectiva, que combina las capacidades de una búsqueda extensiva y una segmentación basada en grafos. El modelo propuesto de red neuronal profunda (DNN) se entrena para detectar áreas específicas de la enfermedad con su nivel de gravedad utilizando frutas cítricas que han sido etiquetadas con la ayuda de un experto en el tema con cuatro niveles de gravedad (alto, medio, bajo y saludable) como verdad fundamental. Se aplica el aprendizaje por transferencia utilizando VGGNet para implementar un marco de clasificación múltiple para cada clase de gravedad. El modelo predice el nivel de gravedad bajo con un 99% de precisión, y el nivel de gravedad alto con un 98% de precisión. El modelo demuestra un 96% de precisión en la detección de condiciones saludables y un 97% de precisión en la detección de niveles de gravedad medio. El resultado del trabajo muestra que el enfoque propuesto es válido y eficiente para detectar enfermedades de cítricos en cuatro niveles de gravedad.