El monitoreo de las poblaciones de aves acuáticas es esencial para la conservación de los humedales. Últimamente, las técnicas de aprendizaje profundo han mostrado avances prometedores en la detección de aves acuáticas en imágenes aéreas. En este artículo, presentamos la evaluación del rendimiento de varios modelos populares de aprendizaje profundo supervisado y semi-supervisado para la detección de aves acuáticas en imágenes aéreas utilizando cuatro nuevos conjuntos de datos de imágenes que contienen 197,642 anotaciones. El modelo con mejor rendimiento, Faster R-CNN, logró una precisión del 95.38% en términos de mAP. Los modelos de aprendizaje semi-supervisado superaron a los modelos supervisados cuando se utilizó la misma cantidad de datos etiquetados para el entrenamiento. Además, presentamos la evaluación del rendimiento de varios modelos de aprendizaje profundo en clasificaciones de aves acuáticas en imágenes aéreas utilizando un nuevo conjunto de datos de clasificación de aves reales que consiste en 6,986 ejemplos y un nuevo conjunto de datos de clasificación de señuelos que consiste en aproximadamente 10,000 ejemplos por categoría de 20 categorías. El mejor modelo logró una precisión del 91.58% en el conjunto de datos de señuelos y del 82.88% en el conjunto de datos de aves reales.