Tras el rápido desarrollo de la tecnología de la información y comunicación, y la enorme cantidad de datos que han experimentado un crecimiento explosivo, la inteligencia artificial y el aprendizaje automático se han utilizado para el análisis predictivo en muchos campos. Sin embargo, la precisión de predicción de estos modelos de reconocimiento de aprendizaje automático depende de la calidad de las características seleccionadas para el entrenamiento. Por lo tanto, es muy importante analizar características que sean significativas y estén alineadas con las variables objetivo como las condiciones de entrenamiento para los modelos de reconocimiento de aprendizaje automático. En este documento, analizamos la correlación entre las características y las variables objetivo utilizando el coeficiente de correlación de Pearson, e integramos la tecnología de transferencia de aprendizaje para la extracción secuencial de características con el fin de mejorar la precisión de predicción de un modelo de reconocimiento de aprendizaje automático para la predicción de múltiples plagas y enfermedades de cultivos como objetivo de verificación del rendimiento del método propuesto. La precisión de nuestro modelo de reconocimiento de aprendizaje automático se compara con esquemas en trabajos relacionados, y se muestra que nuestro enfoque aumenta la precisión de predicción entre un 3% y un 15%.