Los algoritmos de primer orden han dominado durante mucho tiempo el entrenamiento de redes neuronales profundas, destacándose en tareas como la clasificación de imágenes y el procesamiento del lenguaje natural. Ahora hay una oportunidad convincente para explorar alternativas que podrían superar los resultados actuales de vanguardia. Desde la teoría de estimación, el Filtro de Kalman Extendido (EKF) surgió como una alternativa viable y ha demostrado ventajas sobre los métodos de retropropagación. Los avances computacionales actuales ofrecen la oportunidad de revisar algoritmos derivados del EKF, casi excluidos del entrenamiento de redes neuronales convolucionales. Este artículo vuelve a visitar un enfoque del EKF con desacoplamiento y presenta el Filtro de Kalman Extendido Totalmente Desacoplado (FDEKF) para entrenar redes neuronales convolucionales en tareas de clasificación de imágenes. El FDEKF es un algoritmo de segundo orden con algunas ventajas sobre los algoritmos de primer orden, por lo que puede llevar a una convergencia más rápida y una mayor precisión, debido a una mayor probabilidad de encontrar el óptimo global. En esta investigación, se realizan experimentos en conjuntos de datos conocidos que incluyen imágenes de Moda, Deportes y Dígitos Escritos a mano. El FDEKF muestra una convergencia más rápida en comparación con otros algoritmos como el popular optimizador Adam, el algoritmo sKAdam y el filtro de Kalman extendido reducido. Finalmente, motivados por el hallazgo de la mayor precisión de FDEKF con imágenes de escenas naturales, mostramos su efectividad en otro experimento centrado en el reconocimiento de terrenos al aire libre.