Los asteroides cercanos a la Tierra representan amenazas potenciales para la vida humana porque sus trayectorias pueden acercarlos a la Tierra. Monitorear estos objetos podría ayudar a predecir eventos de impacto futuros, pero tales esfuerzos se ven obstaculizados por el gran número de objetos que pasan cerca de la Tierra. Además, también existe el problema de distinguir los asteroides de otros objetos en el cielo nocturno, lo que implica filtrar grandes conjuntos de datos de imágenes de telescopios. En este contexto, creemos que emplear técnicas de aprendizaje automático podría mejorar significativamente el proceso de detección al clasificar a los candidatos más probables a ser revisados por expertos humanos. En este momento, el uso de técnicas de aprendizaje automático sigue siendo limitado en el campo de la astronomía y el objetivo principal del presente artículo es estudiar la efectividad de las redes neuronales convolucionales profundas para la clasificación de objetos astronómicos, asteroides en este caso particular, comparando algunas de las redes neuronales convolucionales profundas más conocidas, incluyendo InceptionV3, Xception, InceptionResNetV2 y ResNet152V2. Aplicamos aprendizaje por transferencia y ajuste fino en estas redes neuronales convolucionales profundas preexistentes, y a partir de los resultados que obtuvimos, se puede ver el potencial de usar redes neuronales convolucionales profundas en el proceso de clasificación de asteroides. El modelo InceptionV3 tiene los mejores resultados en la clase de asteroides, lo que significa que al usarlo, perdemos el menor número de asteroides válidos.