La detección de objetos en entornos marítimos es un problema desafiante debido al fondo en constante cambio y a los objetos en movimiento que resultan en cortes, oclusión, ruido, etc. Desafortunadamente, este problema es de vital importancia ya que tal fallo puede resultar en una pérdida significativa de vidas humanas y pérdidas económicas. Los métodos de detección de objetos disponibles dependen de los sensores de radar y sonar. Incluso con los avances en sensores electro-ópticos, su empleo en la detección de objetos marítimos rara vez se considera. La investigación propuesta tiene como objetivo emplear tanto sensores electro-ópticos como de infrarrojo cercano para una detección efectiva de objetos marítimos. Para esto, se entrenan modelos de detección de aprendizaje profundo dedicados en conjuntos de datos de sensores electro-ópticos y de infrarrojo cercano (NIR). Para esto, se utilizan (ResNet-50, ResNet-101 y SSD MobileNet) tanto en el espacio electro-óptico como en el de infrarrojo cercano. Luego, se construyen clasificaciones de conjunto dedicadas en cada colección de aprendices base de los espacios electro-óptico y de infrarrojo cercano. Después de esto, las decisiones sobre la detección de objetos de estos espacios se combinan utilizando una clasificación de conjunto final basada en la disyunción lógica. Esta estrategia se utiliza para reducir eficazmente los falsos negativos. Para evaluar el rendimiento de la metodología propuesta, se utiliza el Conjunto de Datos Marítimos de Singapur estándar disponible públicamente y los resultados muestran que la metodología propuesta supera a las técnicas contemporáneas de detección de objetos marítimos con una mejora significativa en la precisión promedio media.