En este estudio, se proponen nuevos modelos de aprendizaje profundo basados en imágenes de llama de alta velocidad para diagnosticar la inestabilidad de la combustión de una turbina de gas. Dos capas de red diferentes que pueden combinarse con cualquier red principal existente están establecidas: (1) Una capa de fusión temprana que puede aprender a extraer la densidad espectral de potencia de los fotogramas de imagen posteriores, que es invariante en el tiempo bajo ciertas condiciones. (2) Una capa de fusión tardía que combina las salidas de una red principal en diferentes pasos de tiempo para predecir el estado actual de la combustión. El rendimiento de los modelos propuestos se valida con el conjunto de datos de imágenes de llama de alta velocidad, obtenidas en un combustor de turbina de gas durante el proceso transitorio de condición estable a inestable y viceversa. Se logra un excelente rendimiento para todos los casos de prueba con una alta precisión del 95,1-98,6% y un tiempo de procesamiento corto de 5,2-12,2 ms. Curiosamente, simplemente aumentar el número de imágenes de entrada es tan competitivo como combinar la capa de fusión temprana propuesta con una red principal. Además, se muestra que el uso de pesos hechos a mano para la capa de fusión tardía es más efectivo que el uso de pesos aprendidos. A partir de los resultados, se selecciona la mejor combinación como el modelo ResNet-18 combinado con nuestras capas de fusión propuestas durante 16 pasos de tiempo. El método de aprendizaje profundo propuesto se demuestra como una herramienta potencial para la identificación de la inestabilidad de la combustión y se espera que sea una herramienta prometedora también para la predicción de la inestabilidad de la combustión.