Los incendios forestales impactan significativamente la salud humana, la calidad del aire, la visibilidad, el clima y el cambio climático, y causan pérdidas económicas sustanciales. Si bien los monitores de calidad del aire operados por el estado y el condado proporcionan información crítica durante los incendios forestales, no están disponibles en todas las regiones. Esto resalta la necesidad de herramientas asequibles y accesibles que permitan al público en general evaluar los impactos en la calidad del aire. En este estudio, aplicamos aprendizaje automático con redes neuronales profundas para diagnosticar rápidamente la calidad del aire a partir de imágenes del cielo tomadas en el Laboratorio Nacional del Noroeste del Pacífico en Richland, WA, EE. UU. Utilizando un marco de red neuronal convolucional (CNN), entrenamos un modelo de aprendizaje profundo para clasificar los índices de calidad del aire basados en imágenes del cielo. Al aprovechar el aprendizaje por transferencia, nuestro enfoque ajusta un modelo preentrenado en un pequeño conjunto de datos de imágenes del cielo, reduciendo significativamente el tiempo de entrenamiento mientras se mantiene una alta precisión. Nuestros resultados demuestran el potencial del aprendizaje profundo para proporcionar diagnósticos rápidos de la calidad del aire durante episodios de incendios forestales, ofreciendo advertencias tempranas al público y permitiendo estrategias de mitigación oportunas, particularmente para poblaciones vulnerables. Además, mostramos que las infecciones respiratorias inferiores representan el mayor riesgo para la salud durante exposiciones agudas al humo. Las especies reactivas de oxígeno (ROS) de las partículas de incendios forestales agravan aún más los riesgos para la salud al desencadenar inflamación y otros efectos adversos.