Antecedentes: La identificación y clasificación de especies de aves son cruciales para la investigación de la biodiversidad, iniciativas de conservación y monitoreo ecológico. Sin embargo, las técnicas de identificación convencionales utilizadas por los biólogos son lentas y susceptibles a errores humanos. La integración de modelos de aprendizaje profundo ofrece una alternativa prometedora para automatizar y mejorar los procesos de reconocimiento de especies. Métodos: Este estudio explora el uso de aprendizaje profundo para la identificación de especies de aves en la ciudad de Zacatecas. Específicamente, implementamos YOLOv8 Small para la detección en tiempo real y MobileNet V3 para la clasificación. Los modelos fueron entrenados y probados en un conjunto de datos que comprende cinco especies de aves: Papamoscas Bermellón, Papamoscas de Pino, Carbonero Mexicano, Carpintero de Arizona y Gorrión Rayado. Las métricas de evaluación incluyeron precisión, recuperación y eficiencia computacional. Resultados: Los hallazgos demuestran que ambos modelos logran una alta precisión en la identificación de especies. YOLOv8 Small destaca en la detección en tiempo real, lo que lo hace adecuado para escenarios de monitoreo dinámico, mientras que MobileNet V3 proporciona una solución de clasificación ligera pero eficiente. Estos resultados resaltan el potencial de la inteligencia artificial para mejorar la investigación ornitológica al mejorar la precisión del monitoreo y reducir los esfuerzos de identificación manual.