Este documento presenta un enfoque de aprendizaje profundo para identificar y clasificar varios defectos en los componentes fabricados mediante energía dirigida por láser. Se centra principalmente en las arquitecturas de Redes Neuronales Convolucionales (CNN), como VGG16, AlexNet, GoogLeNet y ResNet, para realizar la clasificación automatizada de defectos. Los principales objetivos de esta investigación son fabricar componentes utilizando el proceso de deposición de energía dirigida por láser, preparar un conjunto de datos de estructuras de pared horizontal, estructura de pared vertical y estructura cúbica con tres clases defectuosas, como vacíos, formación de destellos y texturas rugosas, y una clase no defectuosa, utilizar este conjunto de datos con un algoritmo de aprendizaje profundo para clasificar el defecto y usar el algoritmo eficiente para detectar defectos. El siguiente objetivo es comparar los parámetros de rendimiento de VGG16, AlexNet, GoogLeNet y ResNet utilizados para clasificar defectos. Se ha observado que los mejores resultados se obtuvieron cuando se aplicó la arquitectura VGG16 a un conjunto de datos aumentado. Con la augmentación, la arquitectura VGG16 dio una precisión de prueba del 94.7% y una precisión del 80.0%. El valor de recuperación es del 89.3% y un F1-Score es del 89.5%. La arquitectura VGG16 con augmentación es altamente confiable para automatizar el proceso de detección de defectos y clasificar defectos en los componentes fabricados aditivamente con láser.