Clasificar con precisión la calidad de las manzanas es crucial para maximizar su valor comercial. Las técnicas de aprendizaje profundo están siendo ampliamente adoptadas para tareas de clasificación de calidad de manzanas, logrando resultados impresionantes. Mientras que la investigación existente sobresale en la clasificación de la variedad, tamaño, forma y defectos de las manzanas, el análisis de color y deformidad sigue siendo un área poco explorada. Por lo tanto, este estudio investiga la viabilidad de utilizar redes neuronales convolucionales (CNN) para clasificar el color y la deformidad de las manzanas basándose en tecnología de visión por computadora. En primer lugar, se construyó un sistema de visión por computadora personalizado para recopilar imágenes de manzanas. Luego, se realizó un procesamiento de imágenes para extraer el diámetro de fruta más grande de las 45 imágenes tomadas para cada manzana, estableciendo un conjunto de datos de imágenes. Se emplearon tres modelos clásicos de CNN (AlexNet, GoogLeNet y VGG16) con optimización de parámetros para una tarea de clasificación de tres categorías (rodaja de manzana roja no deformada, manzana roja con rayas no deformada y manzana deformada) basada en características de las manzanas. VGG16 logró los mejores resultados con una precisión del 92.29%. AlexNet y GoogLeNet lograron una precisión del 91.66% y 88.96%, respectivamente. Se realizaron experimentos de ablación en el modelo VGG16, que encontraron que cada bloque convolucional contribuyó a la tarea de clasificación. Finalmente, se realizó una predicción utilizando VGG16 con 150 manzanas y la precisión de predicción fue del 90.50%, que fue comparable o mejor que otros modelos existentes. Este estudio proporciona información sobre la clasificación de manzanas basada en el color y la deformidad utilizando métodos de aprendizaje profundo.