Las malas hierbas tienen un efecto perjudicial en el rendimiento de los cultivos. Sin embargo, los métodos químicos de control de malas hierbas causan contaminación del ecosistema y de la tierra. Por lo tanto, se ha convertido en una tendencia reducir la dependencia de los herbicidas; realizar un método de control de malas hierbas sostenible e inteligente; y proteger la tierra. Para lograr un deshierbe inteligente, es necesaria una identificación eficiente y precisa de cultivos y malas hierbas. Las redes neuronales convolucionales (CNN) se aplican ampliamente para el reconocimiento de malas hierbas y cultivos debido a su alta velocidad y eficiencia. En este artículo, se propuso una red de salto-residual de entrada multipath (SkipResNet) para mejorar la función de clasificación de malas hierbas y cultivos. Se mejoró el bloque residual en el modelo ResNet y se combinaron tres algoritmos de selección de rutas diferentes. Los experimentos mostraron que en el conjunto de datos de plántulas, nuestra red propuesta logró una precisión del 95.07%, que es un 0.73%, 0.37% y 4.75% mejor que la de ResNet18, VGG19 y MobileNetV2, respectivamente. Los resultados de validación en el conjunto de datos de malas hierbas y maíz también mostraron que el algoritmo puede proporcionar una identificación más precisa de malas hierbas y cultivos, reduciendo así la contaminación del suelo durante el proceso de deshierbe. Además, el algoritmo es generalizable y puede utilizarse en la clasificación de imágenes en la agricultura y otros campos.