El rápido desarrollo del procesamiento del lenguaje natural y las técnicas de aprendizaje profundo ha mejorado el rendimiento de los algoritmos relacionados en varias tareas lingüísticas y de minería de texto. Como resultado, aplicaciones como la minería de opiniones, detección de noticias falsas o clasificación de documentos que asignan documentos a categorías predefinidas se han beneficiado significativamente de modelos de lenguaje pre-entrenados, embeddings de palabras o frases, corpora lingüísticos, grafos de conocimiento y otros recursos que abundan para los idiomas más populares (por ejemplo, inglés, chino, etc.). Los idiomas menos representados, como el kazajo, los idiomas balcánicos, etc., aún carecen de los recursos lingüísticos necesarios y, por lo tanto, el rendimiento de los métodos respectivos sigue siendo bajo. En este trabajo, desarrollamos un modelo que clasifica documentos científicos escritos en el idioma kazajo utilizando información tanto de texto como de imagen y demostramos que esta fusión de información puede ser beneficiosa para casos de idiomas que tienen recursos limitados para el entrenamiento de modelos de aprendizaje automático. Con esta fusión, mejoramos la precisión de clasificación en un 4,4499% en comparación con los modelos que utilizan solo información de texto o solo de imagen. El uso exitoso del método propuesto en la clasificación de documentos científicos allana el camino para modelos de clasificación más complejos y más aplicaciones en otros dominios, como la clasificación de noticias, análisis de sentimientos, etc., en el idioma kazajo.