La segmentación precisa de imágenes de hojas de plantas proporciona una base efectiva para la estimación automática del área foliar, la identificación de especies y el monitoreo de enfermedades y plagas de las plantas. En este artículo, basado en nuestro conjunto de datos de hojas previamente disponible públicamente, se propone un enfoque que fusiona YOLOv8 y DeepLabv3+ mejorado para la segmentación precisa de imágenes de hojas individuales. Primero, se introdujo el algoritmo de detección de objetos de hojas basado en YOLOv8 para reducir la interferencia de los fondos en la tarea de segmentación de hojas de la segunda etapa. Luego, se propuso un método de segmentación de hojas DeepLabv3+ mejorado para capturar de manera más eficiente las hojas en forma de barra y los pecíolos delgados. Se utilizó el agrupamiento piramidal espacial atrous denso (DenseASPP) para reemplazar el módulo ASPP, y se insertó simultáneamente la estrategia de agrupamiento en tiras (SP), lo que permitió a la red de fondo capturar efectivamente las dependencias de larga distancia. Los resultados experimentales muestran que nuestro método propuesto, que combina YOLOv8 y el DeepLabv3+ mejorado, logra un valor de intersección media sobre la unión (mIoU) del 90.8% para la segmentación de hojas en nuestro conjunto de datos público de hojas. Al compararlo con la red neuronal convolucional totalmente (FCN), el agrupamiento piramidal espacial atrous reducido (LR-ASPP), la red de análisis de escenas en pirámide (PSPnet), U-Net, DeepLabv3 y DeepLabv3+, el método propuesto mejora el mIoU de las hojas en 8.2, 8.4, 3.7, 4.6, 4.4 y 2.5 puntos porcentuales, respectivamente. Los resultados experimentales muestran que el rendimiento de nuestro método se mejora significativamente en comparación con los métodos de segmentación clásicos. Por lo tanto, el método propuesto puede apoyar efectivamente el desarrollo de la agroforestería inteligente.