Las medidas no invasivas tienen un papel crítico en la agricultura de precisión de ganado y aves de corral, ya que pueden reducir el estrés animal y proporcionar un monitoreo continuo. La actividad animal puede reflejar estados físicos y mentales, así como condiciones de salud. Si se detectan problemas, se proporcionará una advertencia temprana para las acciones necesarias. El objetivo de este estudio fue identificar enfermedades aviares utilizando procesamiento de imágenes térmicas y aprendizaje automático. Se utilizaron cuatro grupos de pollos Ross 308 de 14 días (20 aves por grupo). Dos grupos fueron infectados con una de las siguientes enfermedades: enfermedad de Newcastle (ND) e influenza aviar (AI), y los otros dos fueron considerados grupos de control. Las imágenes térmicas se capturaron cada 8 horas y se procesaron con MATLAB. Después de eliminar el ruido y el fondo, se extrajeron 23 características estadísticas, y se seleccionaron las mejores características utilizando el método de evaluación de distancia mejorado. Se desarrollaron máquinas de soporte vectorial (SVM) y redes neuronales artificiales (ANN) como clasificadores. Los resultados indicaron que el primer clasificador superó al segundo en la clasificación de enfermedades. La teoría de evidencia de Dempster-Shafer se utilizó como etapa de fusión de datos si ni ANN ni SVM detectaron las enfermedades con una precisión aceptable. El marco final basado en SVM logró una precisión del 97.2% y del 100% para clasificar AI y ND, respectivamente, dentro de las 24 horas posteriores a la infección por el virus. El método propuesto es un procedimiento innovador para la identificación oportuna de enfermedades aviares que apoya la intervención temprana.