Esta investigación evalúa 20 arquitecturas avanzadas de redes neuronales convolucionales (CNN) para clasificar enfermedades de hongos, utilizando un conjunto de datos personalizado de 3195 imágenes (2464 hongos infectados y 731 sanos) capturadas bajo condiciones uniformes de luz blanca. La iluminación consistente en el conjunto de datos mejora la robustez y la usabilidad práctica de los modelos evaluados. Utilizando un sistema de puntuación ponderado que incorpora precisión, recuperación, puntuación F1, área bajo la curva ROC (AUC) y precisión promedio (AP), ResNet-50 logró la puntuación general más alta de 99.70%, demostrando un rendimiento sobresaliente en todas las categorías de enfermedades. DenseNet-201 y DarkNet-53 le siguieron de cerca, confirmando su fiabilidad en tareas de clasificación con valores altos de recuperación y precisión. Las matrices de confusión y las curvas ROC validaron aún más las capacidades de clasificación de los modelos. Estos hallazgos subrayan el potencial de los enfoques basados en CNN para la detección temprana precisa y eficiente de enfermedades de hongos, contribuyendo a prácticas agrícolas más sostenibles y basadas en datos.