Desde que la tecnología de teledetección ha mejorado recientemente, la resolución espacial de las imágenes satelitales está mejorando. Esto nos permite analizar con precisión los pequeños objetos complejos en una escena a través de imágenes de teledetección. Por lo tanto, la necesidad de desarrollar nuevos algoritmos eficientes como métodos de clasificación espacial-espectral está creciendo. Uno de los enfoques más exitosos se basa en el perfil de extinción (EP), que puede extraer información contextual de los datos de teledetección. Además, los clasificadores de aprendizaje profundo han llamado la atención en la comunidad de teledetección en los últimos años. El progreso reciente ha demostrado la efectividad del aprendizaje profundo para resolver diferentes problemas, especialmente tareas de segmentación. Este documento propone un enfoque novedoso basado en un nuevo concepto, que es el perfil de extinción diferencial (DEP). DEP hace posible tener un vector de características de entrada con información tanto espectral como espacial. Luego, el vector de entrada se introduce en un clasificador propuesto basado en aprendizaje profundo para producir un mapa temático. El enfoque se lleva a cabo en dos conjuntos de datos urbanos diferentes de los satélites Pleiades y World-View 2. Para demostrar las capacidades del enfoque sugerido, comparamos los resultados finales con los resultados de otras estrategias de clasificación con diferentes vectores de entrada y varios tipos de clasificadores comunes, como máquina de vectores de soporte (SVM) y bosques aleatorios (RF). Se puede concluir que el enfoque propuesto ha mejorado significativamente en cuanto a tres tipos de criterios, que son la precisión global, el coeficiente Kappa y el desacuerdo total.