En Asia, el arroz es el grano más consumido por los humanos, sirviendo como alimento básico en India. El rendimiento de los arrozales se ve fácilmente afectado por deficiencias de nutrientes y enfermedades foliares. Para superar este problema y mejorar la productividad del rendimiento del arroz, la identificación de deficiencias de nutrientes y enfermedades foliares es esencial. Los principales elementos nutrientes en los arrozales son potasio, fósforo y nitrógeno (PPN), cuya deficiencia afecta fuertemente a las plantas de arroz. Cuando hay deficiencia de varios elementos nutrientes, el color de las hojas de las plantas de arroz se altera. Para superar este problema, se requiere una entrega óptima de nutrientes. Por lo tanto, el presente estudio propone el uso de agrupamiento Fuzzy C Means (FCM) con Optimización del Enjambre de Tunicados Mejorada (ITSO) para segmentar las lesiones en las hojas de las plantas de arroz e identificar los nutrientes deficientes. El ITSO propuesto integra las aproximaciones de Optimización del Enjambre de Tunicados (TSO) y Optimización del Forraje Bacteriano (BFO). La Red Neuronal Convolucional Hibrida (HCNN), un modelo de aprendizaje profundo, se utiliza con ITSO para clasificar las enfermedades de las hojas de arroz, así como las deficiencias de nutrientes en las hojas. Se utilizaron dos conjuntos de datos, a saber, un conjunto de datos de trabajo de campo y un conjunto de datos de Kaggle, para el presente estudio. El HCNN-ITSO propuesto clasificó Bacterial Leaf Bright (BLB), Narrow Brown Leaf Spot (NBLS), Sheath Rot (SR), Brown Spot (BS) y Leaf Smut (LS) en el conjunto de datos de trabajo de campo. Además, las hojas que presentaban deficiencia de potasio, fósforo y nitrógeno fueron clasificadas utilizando el HCNN-ITSO propuesto en el conjunto de datos de Kaggle. La plataforma MATLAB se utilizó para el análisis experimental en los conjuntos de datos de trabajo de campo y Kaggle en términos de diversas medidas de rendimiento. En comparación con métodos anteriores, el método propuesto logró las mejores precisiones del 98.8% y 99.01% en los conjuntos de datos de trabajo de campo y Kaggle, respectivamente.