La detección precisa de cambios en el comportamiento representa un método prometedor para detectar el inicio temprano de enfermedades en vacas lecheras. Este estudio evaluó el rendimiento del aprendizaje profundo (DL) en la clasificación del comportamiento de las vacas lecheras a partir de datos de acelerometría adquiridos por sensores individuales en los flancos izquierdos de las vacas y comparó los resultados con los obtenidos a través del aprendizaje automático clásico (ML) a partir de los mismos datos en bruto. Se observaron doce vacas con un acelerómetro tri-axial durante 136 +/- 29 minutos cada una para detectar cinco comportamientos principales: estar quietas, moverse, alimentarse, rumiar y descansar. Para cada intervalo de tiempo de 8 segundos, se calcularon 15 métricas, obteniendo un conjunto de datos de 211,720 unidades de observación y 15 columnas. Todo el conjunto de datos se dividió aleatoriamente en conjuntos de entrenamiento (80%) y de prueba (20%). Se calcularon y compararon la precisión, la exactitud y la sensibilidad/recuperación del DL con el rendimiento de los modelos clásicos de ML. El mejor modelo predictivo fue una red neuronal convolucional (CNN) de 8 capas con una precisión general y un puntaje F1 igual a 0.96. La precisión, la sensibilidad/recuperación y el puntaje F1 de comportamientos individuales tuvieron los siguientes rangos: 0.93-0.99. La CNN superó a todos los algoritmos clásicos de ML. La CNN utilizada para monitorear las condiciones de las vacas mostró un alto rendimiento general al predecir con éxito múltiples comportamientos utilizando un solo acelerómetro.