La clasificación precisa de la turbidez es esencial para mantener la calidad del agua en varios contextos, desde el agua potable hasta los procesos industriales. Los turbidímetros tradicionales enfrentan desafíos, incluida la interferencia de sustancias coloreadas, variaciones en la forma y el tamaño de las partículas, y la necesidad de calibración y mantenimiento regulares. Este documento implementa una red neuronal convolucional (CNN) para clasificar muestras de agua según sus niveles de turbidez. El conjunto de datos consistió en imágenes capturadas en condiciones de laboratorio controladas, con niveles de turbidez medidos utilizando un Turbidímetro Portátil 2100P. La CNN logró una precisión de clasificación del 97.00% en entornos de laboratorio. Cuando se probó en muestras de cuerpos de agua del mundo real, el modelo mantuvo una precisión del 85.00%. Los resultados demuestran que el aprendizaje profundo puede clasificar eficazmente los niveles de turbidez, ofreciendo una solución prometedora para superar las limitaciones de los métodos tradicionales. El estudio destaca el potencial de las CNN para una medición precisa y eficiente de la turbidez, equilibrando la precisión con la aplicabilidad práctica en condiciones de campo.