En los últimos años, el aprendizaje profundo se ha utilizado en diversas aplicaciones, incluida la clasificación de objetivos de barcos en vías navegables interiores para mejorar los sistemas de transporte inteligente. Varios investigadores han introducido diferentes algoritmos de clasificación, pero aún enfrentan problemas de baja precisión y mala clasificación de otros objetos objetivo. Por lo tanto, todavía es necesario investigar más para resolver los problemas mencionados y prevenir colisiones en vías navegables interiores. En este artículo, presentamos un nuevo algoritmo de clasificación de red neuronal convolucional capaz de clasificar cinco clases de barcos, incluidos barcos de carga, militares, transportadores, cruceros y petroleros, en vías navegables interiores. El conjunto de datos de barcos de aprendizaje profundo, que es un conjunto de datos público originado en Kaggle, se ha utilizado para todos los experimentos. Inicialmente, se utilizaron los cinco modelos preentrenados (que son AlexNet, VGG, Inception V3, ResNet y GoogleNet) en el conjunto de datos para seleccionar el mejor modelo según su rendimiento. ResNet-152 logró el mejor modelo con una precisión del 90.56%, y AlexNet logró una precisión más baja del 63.42%. Además, ResNet-152 se mejoró al agregar un bloque de clasificación que contenía dos capas completamente conectadas, seguidas de ReLu para aprender nuevas características de nuestro conjunto de datos de entrenamiento y una capa de abandono para resolver el problema de un gradiente decreciente. Para la generalización, nuestro método propuesto también se probó en el conjunto de datos MARVEL, que consta de más de 10,000 imágenes y 26 categorías de barcos. Además, el algoritmo propuesto se comparó con algoritmos existentes y obtuvo un alto rendimiento en comparación con los demás, con una precisión del 95.8%, una precisión del 95.83%, un recall del 95.80%, una especificidad del 95.07% y un puntaje F1 del 95.81%.