El control de malezas siempre ha sido uno de los problemas más importantes en la agricultura. La investigación basada en métodos de aprendizaje profundo para la identificación y segmentación de malezas en el campo proporciona condiciones necesarias para la pulverización inteligente de punto a punto y el deshierbe inteligente. Sin embargo, debido a conjuntos de datos agrícolas limitados y difíciles de obtener sobre malezas, cambios complejos en la intensidad de la iluminación del campo, oclusión mutua entre cultivos y malezas, y tamaños desiguales y cantidades de cultivos y malezas, los métodos existentes de segmentación de malezas no pueden funcionar de manera efectiva. Para abordar estos problemas en la segmentación de malezas, este estudio propone una red de atención convolucional a escala múltiple para la segmentación de cultivos y malezas. En este trabajo, diseñamos una red de atención convolucional de características a escala múltiple para segmentar cultivos y malezas en el campo llamada MSFCA-Net utilizando varias tamaños de convoluciones de franjas. Se utiliza una pérdida híbrida diseñada en base a la pérdida de Dice y la pérdida focal para mejorar la sensibilidad del modelo hacia diferentes clases y mejorar la capacidad del modelo para aprender de muestras difíciles, mejorando así el rendimiento de segmentación de cultivos y malezas. El método propuesto se entrena y prueba en conjuntos de datos de malezas de soja, remolacha azucarera, zanahoria y arroz. Las comparaciones con métodos populares de segmentación semántica muestran que el MSFCA-Net propuesto tiene un mayor valor de intersección media sobre unión (MIoU) en estos conjuntos de datos, con valores de 92.64%, 89.58%, 79.34% y 78.12%, respectivamente. Los resultados muestran que bajo las mismas condiciones experimentales y configuraciones de parámetros, el método propuesto supera a otros métodos y tiene una fuerte capacidad de robustez y generalización.