番茄叶病对植物生长和生产力构成了重大威胁，因此迫切需要准确识别和及时管理这些问题。现有的番茄叶病识别模型主要可以分为卷积神经网络（CNNs）和视觉变换器（VTs）两类。CNN在局部特征提取方面表现出色，但在全局特征识别上存在困难；而VTs则擅长于全局特征提取，但在捕捉局部特征方面效果较差。这一差异阻碍了这两种模型在番茄叶病识别任务中的性能提升。目前，有效融合CNN和VT的模型仍然较为稀缺。我们提出了一种高效的CNN和VT融合网络——ECVNet，用于番茄叶病识别。具体而言，我们首先设计了一个通道注意力残差模块（CAR模块），以关注通道特征，增强模型对特征通道重要性的敏感度。接着，我们创建了一个卷积注意力融合模块（CAF模块），以有效提取并融合局部和全局特征，从而提高模型的空间特征提取能力。我们使用Plant Village数据集和AI Challenger 2018数据集进行了广泛实验，ECVNet在两者上的识别性能均达到最先进水平。在100个epoch的训练条件下，ECVNet在Plant Village数据集上的准确率为98.88%，在AI Challenger 2018数据集上的准确率为86.04%。ECVNet的引入为植物叶病的识别提供了有效的解决方案。