Existen múltiples usos para imágenes de un solo canal, como la imaginería infrarroja, mapas de profundidad y otros. Para clasificar automáticamente objetos en tales imágenes, se requiere un algoritmo adecuado para el procesamiento de imágenes de un solo canal. Este estudio explora la aplicación de técnicas de aprendizaje profundo para el reconocimiento de animales salvajes utilizando imágenes infrarrojas. Los métodos tradicionales de monitoreo de vida silvestre a menudo dependen de imágenes de luz visible, lo cual puede ser obstaculizado por varios factores ambientales como la oscuridad, la niebla y la densa vegetación. En contraste, la imaginería infrarroja captura las firmas térmicas de los animales, proporcionando una alternativa robusta para la detección e identificación de vida silvestre. Probamos un modelo de Red Neuronal Convolucional (CNN) específicamente diseñado para analizar imágenes infrarrojas, aprovechando los patrones térmicos únicos emitidos por diferentes especies animales. El modelo es entrenado y probado en un conjunto de datos diverso de imágenes infrarrojas, demostrando una alta precisión en distinguir entre múltiples especies. En este documento, también presentamos una comparación de varios conocidos redes neuronales artificiales en estos datos. Para asegurar pruebas precisas, introducimos un nuevo conjunto de datos que contiene fotos infrarrojas de vida silvestre eslovaca, incluyendo específicamente clases como oso, ciervo, jabalí y zorro. Para complementar este conjunto de datos, también se utilizó el conjunto de datos Fashion MNIST. Nuestros resultados indican que los enfoques de aprendizaje profundo mejoran significativamente la capacidad de la imaginería infrarroja para el monitoreo de vida silvestre, ofreciendo una herramienta confiable y eficiente para esfuerzos de conservación y estudios ecológicos.