El diagnóstico de enfermedades en los cultivos es de gran importancia para el rendimiento de los cultivos y la producción agrícola. Los métodos de aprendizaje profundo se han convertido en la principal dirección de investigación para resolver el diagnóstico de enfermedades en los cultivos. Este artículo propone una red neuronal convolucional profunda que integra un mecanismo de atención, que puede adaptarse mejor al diagnóstico de una variedad de enfermedades en las hojas de tomate. La estructura de la red incluye principalmente bloques residuales y módulos de extracción de atención. El modelo puede extraer con precisión características complejas de diversas enfermedades. Los extensos resultados experimentales comparativos muestran que el modelo propuesto logra una precisión de identificación promedio del 96.81% en el conjunto de datos de enfermedades en las hojas de tomate. Se demuestra que el modelo tiene ventajas significativas en cuanto a complejidad de red y rendimiento en tiempo real en comparación con otros modelos. Además, a través del experimento de comparación de modelos en el conjunto de datos público de enfermedades en las hojas de uva, el modelo propuesto también logra mejores resultados, con una precisión de identificación promedio del 99.24%. Se certifica que agregar el módulo de atención puede extraer con mayor precisión las características complejas de una variedad de enfermedades y tiene menos parámetros. El modelo propuesto proporciona una solución de alto rendimiento para el diagnóstico de cultivos en un entorno agrícola real.