La papa es el cuarto cultivo más importante a nivel mundial. En 2024, México alcanzó una producción de 2.12 millones de toneladas, con un rendimiento promedio de 32.71 t∙ha^-1. La incidencia de enfermedades es un factor limitante para garantizar la producción; por ello, la aplicación de técnicas de visión artificial es de gran valor para su detección oportuna. El objetivo de esta investigación fue implementar y evaluar el desempeño de tres modelos de aprendizaje profundo para identificar seis enfermedades en el cultivo de papa a partir de imágenes digitales: tizón tardío (Phytophthora infestans), tizón temprano (Alternaria solani), infecciones bacterianas (Candidatus Phytoplasma), virus Y de la papa (Potato virus Y), virus del mosaico de la papa (Potato virus X) y virus del enrollado de la papa (Potato leafroll virus), así como daños por plagas y hojas sanas. Se evaluó el desempeño de una red neuronal convolucional (CNN) estándar y dos modelos CNN con transferencia de aprendizaje (VGG19 y YOLOv11n). El modelo YOLOv11n superó a VGG19 y a la CNN estándar, al alcanzar una precisión global de clasificación de 98.1 %, en comparación con 92.8 y 90.1 %, respectivamente. A nivel de clases, YOLOv11n obtuvo valores de F1-score de 95 a 100 %, mientras que VGG19 registró valores de 85 a 100 % y CNN de 72 a 98 %. Estos resultados evidencian que YOLOv11n presenta una capacidad de clasificación alta para detectar las seis enfermedades analizadas, daños por plagas y hojas sanas. El desempeño observado confirma el potencial de los modelos de aprendizaje profundo como base para el desarrollo de tecnologías inteligentes orientadas a detectar problemas fitosanitarios.