Las enfermedades de las hojas de maíz conducen a pérdidas significativas en la producción agrícola, planteando desafíos a la seguridad alimentaria global. La detección y diagnóstico precisos y oportunos son cruciales para implementar medidas de control efectivas. En esta investigación, se propone un sistema basado en aprendizaje profundo de múltiples tareas para la detección y diagnóstico de enfermedades de las hojas de maíz (MTDL-EPDCLD) con mayor precisión, junto con el desarrollo de una aplicación móvil que utiliza el marco Qt, que es un marco de desarrollo de software multiplataforma. El sistema comprende la Tarea 1 para la identificación rápida y precisa del estado de salud (RAHSI) y la Tarea 2 para la clasificación de enfermedades con atención (FDCA). Se desarrolla un modelo CNN-4 superficial con un mecanismo de atención espacial para la Tarea 1, logrando un 98.73% de precisión en la identificación de hojas de maíz sanas y enfermas. Para la Tarea 2, se diseña un modelo personalizado MobileNetV3Large-Attention. Este logra una val_accuracy del 94.44%, y mejoras del 4-8% en precisión, recuperación y puntuación F1 en comparación con otros modelos de aprendizaje profundo convencionales. Además, el modelo alcanza un área bajo la curva (AUC) de 0.9993, mostrando una mejora de 0.002-0.007 en comparación con otros modelos convencionales. El sistema MTDL-EPDCLD proporciona una herramienta precisa y eficiente para la detección y diagnóstico de enfermedades de las hojas de maíz, apoyando decisiones informadas sobre el manejo de enfermedades, el aumento de los rendimientos de los cultivos y la mejora de la seguridad alimentaria. Esta investigación ofrece una solución prometedora para detectar y diagnosticar enfermedades de las hojas de maíz, y su desarrollo e implementación continuos pueden tener un impacto sustancial en las prácticas y resultados agrícolas.