Los deslizamientos de tierra son un fenómeno geológico crítico con consecuencias devastadoras y catastróficas. Con los recientes avances en el ámbito de la geoinformación, la documentación e inventario de deslizamientos de tierra se pueden lograr con flujos de trabajo automatizados utilizando plataformas aéreas como vehículos aéreos no tripulados (VANT). Como resultado, se dispone de conjuntos de datos de ultra alta resolución para análisis a bajos costos operativos. En este estudio, se utilizaron diferentes enfoques de segmentación y clasificación para el mapeo de deslizamientos de tierra basado en objetos. Se presenta un flujo de trabajo integrado de análisis de imágenes basado en objetos (OBIA) que incorpora ortofotomosaicos y modelos de superficie digital (DSM) con algoritmos basados en expertos y de aprendizaje automático (ML). Para la segmentación, se implementaron pruebas de prueba y error y la herramienta Estimación del Parámetro de Escala 2 (ESP 2) para la evaluación de diferentes parámetros de escala. Para la clasificación, se evaluaron algoritmos de aprendizaje automático (K-Vecinos más Cercanos, Árbol de Decisión y Bosque Aleatorio) con la inclusión de características espectrales, espaciales y contextuales. Para la clasificación de ML de las zonas de deslizamiento de tierra, se utilizó el 60% de los segmentos de referencia para el entrenamiento y el 40% para la validación de los modelos. Se implementaron las métricas de calidad de Precisión, Recall y F1 para evaluar el rendimiento de los modelos bajo las diferentes configuraciones de segmentación. Los resultados destacan un mejor rendimiento en el mapeo de deslizamientos de tierra cuando se integró la información del DSM. Por lo tanto, la configuración de las capas espectrales y del DSM con el clasificador RF resultó en el mayor acuerdo de clasificación con un valor F1 de 0.85.