En los últimos años, se han utilizado drones en una amplia gama de aplicaciones. Sin embargo, la operación ilegal de drones puede representar una serie de riesgos de seguridad para áreas sensibles como aeropuertos y bases militares. Por lo tanto, es vital desarrollar un método efectivo para identificar drones y abordar los problemas mencionados. Los métodos de clasificación de drones existentes basados en señales de radiofrecuencia (RF) tienen baja precisión o un alto costo computacional. En este artículo, proponemos un nuevo esquema de representación de imágenes de señales RF que incorpora una red neuronal convolucional (CNN), denominada el Campo Angular Gramiano en el Dominio de Frecuencia con una CNN (FDGAF-CNN), para realizar la clasificación de drones. Específicamente, primero calculamos el espectro tiempo-frecuencia de las señales RF en bruto basado en la transformada de Fourier de corto tiempo (STFT). Luego, la serie de espectros de frecuencia 1D se codifica como imágenes 2D utilizando una transformada GAF modificada. Además, para mejorar aún más el rendimiento del reconocimiento, las imágenes obtenidas de diferentes canales se fusionan para servir como entrada de un clasificador CNN. Finalmente, se realizaron numerosos experimentos en los dos conjuntos de datos de código abierto disponibles, DroneRF y DroneRFa. Los resultados experimentales muestran que el FDGAF-CNN propuesto puede lograr una precisión de clasificación relativamente alta del 98.72% y 98.67% en los dos conjuntos de datos mencionados, respectivamente, confirmando la efectividad y la capacidad de generalización del método propuesto.