Para abordar los problemas de baja precisión de detección y grandes parámetros del modelo en la detección de plagas de cultivos en escenas naturales, este estudio mejora el modelo de detección de objetos mediante aprendizaje profundo y propone un método ligero y preciso, RTMDet++, para la detección de plagas de cultivos. Primero, se utiliza la red de detección de objetos en tiempo real RTMDet para diseñar el modelo de detección de plagas. Luego, se podan las estructuras de backbone y neck para reducir el número de parámetros y el cálculo. Posteriormente, se añade un módulo de conexión de acceso directo a las ramas de clasificación y regresión, respectivamente, para mejorar su capacidad de aprendizaje de características, mejorando así su precisión. Los resultados experimentales muestran que, en comparación con el modelo original RTMDet, el modelo mejorado RTMDet++ reduce el número de parámetros en un 15.5%, el cálculo en un 25.0% y mejora la precisión media promedio en un 0.3% en el conjunto de datos de plagas de cultivos IP102. El modelo mejorado RTMDet++ logra un mAP del 94.1%, una precisión del 92.5% y un recall del 92.7% con 4.117M de parámetros y 3.130G de cálculos, superando a otros métodos de detección de objetos. El modelo propuesto RTMDet++ logra un rendimiento superior con menos parámetros y cálculos, lo que puede aplicarse a la detección de plagas de cultivos en la práctica y ayuda en la investigación del control de plagas.