La detección e identificación de enfermedades y plagas en las hojas de té desempeñan un papel crucial en la determinación del rendimiento y la calidad del té. Sin embargo, la alta similitud entre las diferentes enfermedades de las hojas de té y la dificultad de equilibrar la precisión y complejidad del modelo plantean desafíos significativos durante el proceso de detección. Este estudio propone un Modelo Mejorado de Detección de Enfermedades en Hojas de Té (TLDDM), un modelo mejorado basado en YOLOv8 para abordar los desafíos. Inicialmente, se emplea el módulo C2f-Faster-EMA para reducir el número de parámetros y la complejidad del modelo mientras se mejoran las capacidades de extracción de características de la imagen. Además, se integra el mecanismo de Atención Deformable para mejorar la adaptabilidad del modelo a transformaciones espaciales y estructuras de datos irregulares. Además, se incorpora la estructura Slimneck para reducir la escala del modelo. Finalmente, se propone una nueva estructura de cabeza de detección, denominada EfficientPHead, para mantener el rendimiento de detección mientras se mejora la eficiencia computacional y se reducen los parámetros, lo que conduce a una aceleración de la velocidad de inferencia. Los resultados experimentales demuestran que el modelo TLDDM logra un AP del 98.0%, lo que representa una mejora significativa en el rendimiento en comparación con el algoritmo SSD y Faster R-CNN. Además, el modelo propuesto no solo es de gran importancia para mejorar el rendimiento en precisión, sino que también puede proporcionar ventajas notables en aplicaciones de detección en tiempo real con un FPS (cuadros por segundo) de 98.2.