In recent years, many studies have applied deep learning in artificial intelligence to assist in the detection and classification of plant diseases. However, these models, when applied in practice, often lack transparency and suffer from insufficient accuracy. In this paper, we use two explainable artificial intelligence (XAI) techniques to analyze how the model identifies diseases, providing explanations for predictions using the New Bangladesh Crop dataset, which is derived from the Plant Village dataset and focuses on key food crops. To evaluate the model's focus on diseased regions, we calculate the Intersection over Union (IoU) values for selected disease images from each crop. The experimental results guide the selection of appropriate XAI methods and help fine-tune the model for improved accuracy. We propose an enhanced VGG16 model with attention mechanisms, achieving relatively high accuracy and improved focus on diseased regions of plant leaves.Trong những năm gần đây, nhiều nghiên cứu đã áp dụng học sâu trong trí tuệ nhân tạo nhằm hỗ trợ nhận diện và phân loại bệnh cây trồng. Tuy nhiên, các mô hình này khi áp dụng thực tế thường thiếu minh bạch và có độ chính xác chưa cao. Trong bài báo này, chúng tôi sử dụng hai kỹ thuật trí tuệ nhân tạo có thể giải thích (XAI) để phân tích cách mô hình nhận diện bệnh, qua đó cung cấp giải thích cho các dự đoán dựa trên bộ dữ liệu bệnh cây trồng New Bangladesh Crop được lấy ra từ bộ dữ liệu Plant Village ở một số loại cây lương thực trọng điểm. Để đánh giá khả năng tập trung của mô hình CNN vào vùng bệnh, chúng tôi tính toán giá trị Intersection over Union (IoU) cho một số ảnh bệnh của từng loại cây. Kết quả thực nghiệm giúp định hướng việc lựa chọn phương pháp XAI phù hợp và tinh chỉnh mô hình nhằm tăng độ chính xác. Chúng tôi đề xuất mô hình VGG16 cải tiến với cơ chế chú ý, đạt độ chính xác tương đối cao và khả năng tập trung vào vùng bệnh trên lá cây được cải thiện.