La operación de cosecha es una tarea recurrente en la producción de cualquier cultivo, lo que la convierte en un excelente candidato para la automatización. En horticultura protegida, uno de los cultivos con alto valor agregado son los tomates. Sin embargo, su cosecha robótica aún está lejos de la madurez. Dicho esto, el desarrollo de un sistema preciso de detección de frutas es un paso crucial hacia la consecución de una cosecha robótica totalmente automatizada. El Aprendizaje Profundo (DL) y los marcos de detección como el Detector de Caja Múltiple de Disparo Único (SSD) o el modelo You Only Look Once (YOLO) son alternativas más robustas y precisas con mejor respuesta a escenarios altamente complejos. El uso de DL puede detectar fácilmente los tomates, pero cuando se pretende su clasificación, la tarea se vuelve difícil, exigiendo una gran cantidad de datos. Por lo tanto, este documento propone el uso de modelos de DL (SSD MobileNet v2 y YOLOv4) para detectar eficientemente los tomates y comparar esos sistemas con un modelo de espacio de color HSV basado en histograma propuesto para clasificar cada tomate y determinar su estado de maduración, a través de dos conjuntos de datos de imágenes adquiridas. En cuanto a la detección, ambos modelos obtuvieron resultados prometedores, siendo el modelo YOLOv4 el destacado con un F1-Score del 85.81%. Para la tarea de clasificación, el YOLOv4 fue nuevamente el mejor modelo con un Macro F1-Score del 74.16%. El modelo de espacio de color HSV superó al modelo SSD MobileNet v2, obteniendo resultados similares al modelo YOLOv4, con una Precisión Equilibrada del 68.10%.