Debido al cambio climático y al desarrollo indiscriminado por parte del ser humano, la población de especies en peligro de extinción ha estado disminuyendo. Para proteger a las especies en peligro, muchos países de todo el mundo han adoptado el tratado CITES para prevenir la extinción de plantas y animales en peligro. Además, se ha llevado a cabo investigación utilizando diversos enfoques, particularmente métodos de reconocimiento de imágenes de animales y plantas basados en aprendizaje profundo. En este artículo, proponemos un método automatizado de clasificación de imágenes para 11 especies de loros en peligro incluidas en CITES. Las 11 especies incluyen subespecies que son muy similares en apariencia. Las imágenes de datos se recopilaron de Internet y se construyeron en cooperación con el Zoológico de Seoul Grand Park para crear una base de datos indígena. El conjunto de datos para el entrenamiento de aprendizaje profundo consistió en un 70% de conjunto de entrenamiento, un 15% de conjunto de validación y un 15% de conjunto de prueba. Además, se aplicó una técnica de aumento de datos para reducir el límite de recopilación de datos y prevenir el sobreajuste. Se comparó el rendimiento de varias arquitecturas de CNN de base (es decir, VGGNet, ResNet y DenseNet) utilizando el modelo SSD. El experimento derivó el rendimiento de las imágenes del conjunto de prueba para el modelo de entrenamiento, y los resultados muestran que DenseNet18 tuvo el mejor rendimiento con un mAP de aproximadamente 96.6% y un tiempo de inferencia de 0.38 s.