Los murciélagos están ampliamente distribuidos por todo el mundo, se han adaptado a muchos entornos diferentes y son altamente sensibles a los cambios en su hábitat, lo que los convierte en bioindicadores esenciales de los cambios ambientales. El monitoreo acústico pasivo durante largos períodos, como meses o años, acumula grandes cantidades de datos, convirtiendo el proceso de identificación manual en una tarea que consume mucho tiempo para los expertos humanos. Por lo tanto, el monitoreo acústico automatizado de la actividad de los murciélagos es un enfoque efectivo y necesario para la conservación de los murciélagos, especialmente en aplicaciones de energía eólica, donde los animales voladores como los murciélagos y las aves tienen altas tasas de fatalidad. En este trabajo, proporcionamos un enfoque basado en redes neuronales para la detección de pulsos de ecolocalización de murciélagos con posterior clasificación de género y clasificación de especies en condiciones del mundo real, incluyendo varios tipos de ruido. Nuestro modelo supervisado está respaldado por un pipeline de aprendizaje no supervisado que utiliza autoencoders para comprimir espectrogramas lineales en vectores de características latentes que se alimentan a un algoritmo de agrupamiento UMAP. Este pipeline ofrece información adicional sobre las propiedades de los datos, ayudando en la interpretación del modelo. Comparamos datos recolectados de dos ubicaciones durante dos años consecutivos muestreados a cuatro alturas (10 m, 35 m, 65 m y 95 m). Con suficientes datos para cada clase de murciélago etiquetada, nuestro modelo es capaz de comprender el paisaje sonoro completo de ecolocalización de una especie o género, manteniendo al mismo tiempo una eficiencia computacional y simplicidad en su diseño. Las puntuaciones F1 de clasificación medidas en un conjunto de prueba previamente desconocido varían del 92.3% al 99.7% para especies y del 94.6% al 99.4% para géneros.