Los UAV multirrotores se han vuelto omnipresentes en el uso comercial y público. A medida que se vuelven más asequibles y más disponibles, los riesgos de seguridad asociados aumentan aún más, especialmente en relación con las violaciones del espacio aéreo y el peligro de colisiones entre drones y aeronaves. Por lo tanto, se deben establecer sistemas robustos para detectar y lidiar con drones hostiles. Este documento investiga el uso de métodos de aprendizaje profundo para detectar UAV utilizando señales acústicas. Se entrenan modelos de redes neuronales profundas con mel-espectrogramas como entradas. En este caso, se demuestra que las Redes Neuronales Convolucionales (CNN) son la red de mejor rendimiento, en comparación con las Redes Neuronales Recurrentes (RNN) y las Redes Neuronales Convolucionales Recurrentes (CRNN). Además, se han evaluado métodos de fusión tardía utilizando un conjunto de redes neuronales profundas, donde el mecanismo de votación suave ponderada ha logrado la mayor precisión promedio del 94.7%, superando a los modelos individuales. En trabajos futuros, la técnica de fusión tardía desarrollada podría utilizarse con métodos de radar y visuales para mejorar aún más el rendimiento de detección de UAV.