С появлением устойчивых сортов и гибридов томатов овощеводы реже сталкиваются с болезнями томатов. Чтобы предотвратить потерю урожая, важно выявлять нездоровые листья томатов и отделять их от здоровых листьев. Раннее обнаружение болезней томатов с помощью глубокого обучения может помочь уменьшить неблагоприятные последствия болезней, а также помочь преодолеть недостатки постоянного мониторинга со стороны человека. В этом исследовании была изучена производительность современных архитектур классификации сверточных нейронных сетей, таких как ResNet18 со стандартным алгоритмом, а также с использованием параметров оптимизации и InceptionV3, на 11 000 изображениях листьев томатов для классификации болезней томатов. Точность обучения в Inception V3 составила 80,9%, а точность валидации - 71,8%. Обучение архитектуры ResNet с параметром momentum продемонстрировало высокий результат распознавания с точностью 97,7%. Результаты распознавания сравнивались с использованием параметра оптимизации со значениями 0,5, 0,7 и 0,9. Наблюдалось влияние параметра оптимизации на качество обучения. Можно сделать вывод, что использование оптимизатора импульса с более высоким значением дает наилучшие результаты за счет минимизации колебаний и повышения точности.