La segmentación de imágenes de hojas de enfermedades de cultivos (CDLIS) es la premisa de la detección de enfermedades, el reconocimiento del tipo de enfermedad y la evaluación del grado de enfermedad. Se han proporcionado varios modelos de redes neuronales convolucionales (CNN) y sus modelos modificados para CDLIS, pero su tiempo de entrenamiento es muy largo. Con el objetivo de la baja precisión de segmentación de varias imágenes de hojas enfermas causada por diferentes tamaños, colores, formas, bordes borrosos moteados y fondos complejos del U-Net tradicional, se ha construido un U-Net multi-escala extendido ligero (LWMSDU-Net) para CDLIS. Está compuesto por subredes de codificación y decodificación. La subred de codificación adopta una convolución extendida multi-escala, la subred de decodificación adopta un modelo de deconvolución, y se emplea la conexión residual entre el módulo de codificación y el módulo de decodificación correspondiente para fusionar las características superficiales y profundas de la imagen de entrada. En comparación con el U-Net clásico y el U-Net multi-escala, el número de capas de LWMSDU-Net se reduce en 1 con un pequeño número de parámetros entrenables y una menor complejidad computacional, y la conexión de salto de U-Net se reemplaza por la ruta residual (Respath) para conectar el codificador y el decodificador antes de concatenarlos. Los resultados experimentales en un conjunto de datos de imágenes de hojas de enfermedades de cultivos demuestran que el método propuesto puede segmentar efectivamente imágenes de hojas de enfermedades de cultivos con una precisión del 92.17%.