在农业生产过程中，番茄叶片病害的检测在保护农作物健康生长和减少经济损失方面具有重要意义。针对番茄叶片病害检测中存在的类别分布不均、小目标特征提取困难及复杂环境检测精度不足等问题，因此提出了一种融合多模块的YOLO11改进算法，有效提升模型对番茄叶片病害的检测性能。首先，模型采用自适应阈值焦点损失函数（ATFL）替换传统的交叉熵损失，通过动态权重分配策略，针对病害样本不平衡问题优化训练过程，增强模型对低频病害类别的特征学习能力，从而提高整体检测精度；其次，引入混合池化注意力模块（HPA）替换C3K2模块中的普通卷积，设计并行池化分支，结合分组特征重校准技术，强化小目标病害的空间特征提取能力，提升复杂背景下的抗遮挡检测能力；最后，将Conv结构中的归一化替换为重参数批归一化（RepBN），引入可学习调节参数重构归一化过程，稳定训练阶段的特征分布，加速模型收敛并增强泛化性能。改进后的YOLO11模型在番茄叶片病害数据集上有着很好的性能，其精确率、召回率、mAP@0.5和mAP@0.5:0.95评价指标相较于YOLOv11基础模型分别提升了5.8%、4.3%、2.3%和1.2%，特别是在小目标病害区域和密集遮挡场景下，具有很好的检测效果。实验结果验证了各改进模块的有效性和算法的优越性，为番茄叶片病害检测提供了高效解决方案，为农业病害检测技术发展具有参考价值。