针对模型对复杂场景下农作物病虫害的识别精度低、模型参数量大的问题，本研究对轻量级YOLOv5n模型进行改进。首先，在YOLOv5n模型的骨干网络中加入坐标注意力模块，使模型关注检测目标及其位置，减少复杂背景对模型的影响。其次，引入加权的双向特征融合金字塔网络(BiFPN),减少小目标信息丢失，提高了模型的特征学习能力。最后，用损失函数SIoU代替损失函数CIoU,在不改变模型参数量的情况下，提升了目标检测精度。在无人机采集到的玉米病虫害数据集上，本研究提出的AgriPest-YOLOv5n模型的mAP@0.50达81.32%,在Jetson Xavier开发板上检测速度达到77 FPS,模型大小为1.63 MB。改进后的YOLOv5n模型能够满足轻量化的要求，能够实时、准确地识别复杂背景下的农作物病虫害，本研究结果可为病虫害精准防治提供技术支持。