Las enfermedades de las hojas de tomate pueden dañar seriamente el rendimiento de los cultivos y las recompensas financieras. La detección oportuna y precisa de las enfermedades del tomate es un desafío importante en la agricultura. Por lo tanto, el diagnóstico temprano y preciso de las enfermedades del tomate es crucial. La aparición del aprendizaje profundo ha ayudado drásticamente en la detección de enfermedades de plantas. Sin embargo, la precisión de los modelos de aprendizaje profundo depende en gran medida de la cantidad y calidad de los datos de entrenamiento. Para resolver el problema de desequilibrio entre clases y mejorar la capacidad de generalización del modelo de clasificación, este artículo propone un modelo Transformer basado en una red generativa adversarial cíclica para generar imágenes de hojas de tomate enfermas para la ampliación de datos. Además, este artículo utiliza un modelo Transformer y una arquitectura CNN densamente conectada para extraer características locales multinivel. El módulo Transformer se utiliza para capturar dependencias globales e información contextual de manera precisa para expandir el campo sensorial del modelo. Los experimentos muestran que el modelo propuesto logró una precisión del 99.45% en el conjunto de datos de PlantVillage. El conjunto de datos del Desafío de Inteligencia Artificial 2018 y el conjunto de datos privado alcanzaron precisiones del 98.30% y 95.4%, y el modelo de clasificación propuesto logró una mayor precisión y un tamaño de modelo más pequeño en comparación con modelos previos de aprendizaje profundo. El modelo de clasificación es generalizable y robusto, y puede proporcionar un marco teórico estable para la prevención y control de enfermedades de cultivos.