【摘要】[目的]本研究旨在开发一种准确检测识别苹果叶片病害的轻量化模型方法。[方法]构建了一个自然复杂场景下的包含15 190张高质量RGB图像的苹果叶片病害数据集ALD6，涵盖了实际生产中最为常见的5种病害类型和一个健康对照类。其次，提出了一个基于YOLOv8s改进的高效苹果叶片病害检测模型，称为ADDN-YOLO。用BoT替换了部分C2f结构以更好地捕捉图像中的全局和局部更丰富的信息，提高模型的特征提取能力，同时降低计算开销；设计了更轻量化的检测头降低了模型复杂性，更易部署于硬件设备上；引入MPDIoU损失函数优化了原CIoU对目标尺寸变化不敏感的问题，更加全面地考虑目标的位置和尺寸差异信息，提高目标的定位能力。[结果]最终在自制ALD6数据集上获得了94.9%的mAP，相较原始基准模型提高了0.7%的精度，计算量和模型大小比基准模型降低了35.6%和35.5%。模型大小为13.8 MB，模型推理速度为175.7 FPS。[结论]实验结果表明所提出的ADDN-YOLO算法在准确性和降低模型复杂性方面都具有明显优势，可以为自然场景下苹果叶片病害的高效、准确检测识别提供可靠的理论支持。