Los Vehículos Aéreos No Tripulados (VANT) ofrecen una resolución espacial y temporal mejorada para el monitoreo agrícola, superando los métodos tradicionales basados en satélites. Dada la abundancia de métodos de aprendizaje automático en evolución para el reconocimiento de cultivos, este estudio evalúa y compara cinco algoritmos de aprendizaje automático (ML) y prueba un método de Aprendizaje por Conjunto como un sexto enfoque, integrado con análisis de imágenes basado en objetos (OBIA) para la clasificación de tipos de cultivos utilizando imágenes multiespectrales de VANT, con el objetivo de identificar el modelo más efectivo y producir un mapa de clasificación basado en el método de mejor rendimiento. La segmentación de imágenes se construyó utilizando el software eCognition, y se extrajeron características espectrales, de índice y de matriz de co-ocurrencia de niveles de gris (GLCM) del objeto segmentado. Se desarrolló y ejecutó un modelo de aprendizaje automático que integra múltiples algoritmos de clasificación (SVM, ANN, RF, XGBoost, KNN, Aprendizaje por Conjunto) con optimización automática de hiperparámetros en Google Colab utilizando Python 3.10. Todos los clasificadores lograron precisiones superiores al 80% y valores de Área Bajo la Curva (AUC) por encima de 0.9. SVM y ANN son los mejores clasificadores, con el mismo valor de precisión (94%), seguidos por XGBoost (93%), RF (92%) y KNN (89%). El método de Aprendizaje por Conjunto (SVM + ANN) como un sexto enfoque superó a todos los modelos individuales, con un valor de precisión del 95%. El algodón, el maíz, el maní y la soja fueron clasificados con la mayor precisión, siendo las características de índice y GLCM las que contribuyeron de manera más significativa, seguidas de las características espectrales. La integración de imágenes de VANT de alta resolución con ML y OBIA demuestra un gran potencial para la clasificación automatizada de tipos de cultivos, ofreciendo un valioso apoyo para aplicaciones de agricultura de precisión.