基于可见光谱的作物病害自动识别与诊断是一个具有挑战性的研究领域，但现有的基于卷积神经网络的病害识别研究往往利用深度网络牺牲模型参数来提高单一作物病害识别的准确性，造成硬件资源的浪费。为了提高作物病害识别的准确性，避免使用深层网络，本研究将注意机制引入作物病害识别领域，提出了一种基于可见光谱和改进注意机制的浅层作物病害识别模型，并设计了新的注意模块SMLP和作物病害识别模型SMLPResNet。利用卷积层代替全连接层，以较少的参数设计剩余网络（ResNet），然后利用SMLP、归一化结构（Batch　Normalization）和剩余块得到改进的剩余模块单元（smlp RES）。Smlp由完全本地池和多层感知器组成，用于建立每个通道之间的依赖关系。多层感知器使用三层网络结构将全局特征的通道维数加倍，然后将其通道维数降低两次以恢复到原始维数，从而减少全局特征的丢失。Smlp res可以重新校准通道中的疾病特征，减少对识别无效的冗余信息任务最后，构造了smlp-RESNET，减少了模型层数，提高了识别率。利用AI　Challenger2018和Plant　Village两个公开的多种植物和疾病混合数据集，对该模型进行了验证。实验结果表明，SMLP-ResNet模型在18层、50层和101层都达到了较高的识别率，其中smlp-resnet18模型效果最好，两个数据集中的疾病识别率分别为86.93%和99.32%。SMLP＿ResNet18大学的准确率不仅高于改进前的ResNet18和SENet18网络，而且也高于其他研究者提出的模型。该模型的重量为48.6，仅为AlexNet网络的五分之一左右。该方法只需少量的模型参数，即可获得较高的疾病识别率。从grad cam生成的热力学图可以看出，smlp resnet18比其他模型更关注叶片病害部位的特征，其背景信息和叶片健康部位的重量较小。本研究提出的smlp resnet18模型实现了浅层网络下的高精度识别，提高了叶片病区的识别程度，减少了背景等冗余特征的影响，适用于多种作物不同病害下的高精度识别。