Aunque las observaciones conductuales directas se utilizan ampliamente, son laboriosas, propensas a errores, requieren conocimiento de la especie observada y dependen de la consistencia intra/interobservador. Como resultado, presentan desafíos para la fiabilidad y la repetibilidad de los estudios. El análisis de video automatizado se está volviendo popular para las observaciones conductuales. El sueño es una métrica biológica que tiene el potencial de convertirse en una métrica confiable de amplio espectro que puede indicar la calidad de vida y comprender los patrones de sueño puede contribuir a identificar y abordar posibles preocupaciones de bienestar, como el estrés, la incomodidad o problemas de salud, promoviendo así el bienestar general de los animales; sin embargo, debido al laborioso proceso de cuantificación de los patrones de sueño, se ha pasado por alto en la investigación sobre el bienestar animal. Este estudio presenta un sistema que compara redes neuronales convolucionales (CNN) con métodos de observación conductual directa para los mismos datos para detectar y cuantificar los patrones de sueño de los perros. Se utilizaron un total de 13,688 videos para desarrollar y entrenar el modelo para cuantificar la duración del sueño y la fragmentación del sueño en perros. Para evaluar su similitud con las observaciones conductuales directas realizadas por un único observador humano, se utilizaron 6000 fotogramas previamente no vistos. El sistema clasificó con éxito 5430 fotogramas, obteniendo una tasa de similitud del 89% en comparación con las observaciones registradas manualmente. No hubo una diferencia significativa en el porcentaje de tiempo observado entre el sistema y el observador humano (> 0.05). Sin embargo, se encontró una diferencia significativa en el tiempo total de sueño registrado, donde el sistema automatizado capturó más horas que el observador (< 0.05). Esto destaca el potencial de utilizar un sistema basado en CNN para estudiar el bienestar animal y la investigación del comportamiento.