Los arrecifes de coral son las estructuras de carbonato de calcio subacuáticas recogidas por los invertebrados conocidos como corales. El encanto y la belleza de los arrecifes de coral atraen a los turistas, y desempeñan un papel vital en la preservación de la biodiversidad, la prevención de la erosión costera y la promoción del comercio. Sin embargo, están disminuyendo debido a la sobreexplotación, la pesca dañina, la contaminación marina y los cambios climáticos globales. Además, los arrecifes de coral ayudan a tratar el virus de inmunodeficiencia humana (VIH), las enfermedades cardíacas y la erosión costera. Los corales de la gran barrera de coral de Australia han comenzado a blanquearse debido a la acidificación oceánica y al calentamiento global, lo que representa una amenaza alarmante para el ecosistema terrestre. Muchas técnicas se han desarrollado para abordar estos problemas. Sin embargo, cada método tiene limitaciones debido a la baja resolución de las imágenes, las diversas condiciones climáticas, etc. En este documento, proponemos un enfoque basado en un conjunto de características (BoF) que puede detectar y localizar los corales blanqueados antes de aplicar las medidas de seguridad. El conjunto de datos contiene imágenes de corales blanqueados y no blanqueados, y se utilizan varios núcleos para admitir la máquina de vectores para que las características extraídas puedan clasificarse. La precisión de los descriptores hechos a mano y las redes neuronales convolucionales profundas se analiza y se proporciona en detalle con comparación al método actual. Se utilizan varios descriptores hechos a mano como el patrón binario local, un histograma de gradiente orientado, un histograma de características de transformación codificada localmente, una matriz de co-ocurrencia de niveles de gris y un patrón binario local de escala conjunta completado para la extracción de características. Se están utilizando redes neuronales convolucionales profundas específicas como AlexNet, GoogLeNet, VGG-19, ResNet-50, Inception v3 y CoralNet para la extracción de características. A partir del análisis experimental y los resultados, la técnica propuesta supera en comparación con los métodos actuales más avanzados. La técnica propuesta alcanza una precisión del 99.08% con un error de clasificación del 0.92%. También se propone un nuevo algoritmo de posicionamiento de corales blanqueados para localizar los corales blanqueados en las imágenes de arrecifes de coral.