La clasificación de imágenes de detección remota tiene grandes ventajas en las áreas de monitoreo ambiental, planeación urbana, manejo de desastres y muchos otros. Los vehículos aéreos no tripulados han revolucionizado la detección remota al proveer imágenes de alta resolución. En este contexto, la clasificación efectiva de imágenes es crucial para extraer información significativa de las imágenes capturadas por vehículos aéreos no tripulados. Este estudio presenta una comparación de diferentes técnicas de aprendizaje profundo para la clasificación supervisada de imágenes capturadas por vehículos aéreos no tripulados. Los autores experimentaron con diferentes grupos de datos AID y AIDER en cuatro modelos diferentes de Redes Neuronales Convolucionales (CNN), VGG 16, Alex net, Resnet50 y en la red neuronal profunda Efficient-Net-B0. Se intentaron múltiples combinaciones para encontrar el modelo con mayor desempeño en cada grupo de datos. Los autores usaron capas iniciales de preentrenamiento de los modelos CNN y luego se retiraron las tres últimas capas de cada uno de los modelos seleccionados para añadir luego capas con parámetros más acordes. Se analizaron dos esquemas diferentes. En el Esquema 1 se experimentaron los modelos CNN originales sin cambiar y sin adecuar el número de parámetros, mientras que en el Esquema 2 se aplicó la transferencia de aprendizaje en los modelos pre-entrenados y después de remover las tres últimas capas se añadieron nuevas capas con hiperparámetros más adecuados. La evaluación de estos esquemas fue asegurada a través de métricas completas para diversas clases de cobertura del suelo y con cuatro matrices de evaluación de desempeño llamadas puntuación F1, precisión, exactitud y exhaustividad. El foco principal de esta investigación se basa en la transferencia de aprendizaje y en la adición de nuevas capas en modelos pre-entrenados para tener una clasificación más precisa.