Este trabajo analiza la contribución de la red residual (ResNet) basada en la arquitectura de red neuronal convolucional (CNN) empleada en dos tareas relacionadas con la fenotipificación de plantas. Entre los trabajos contemporáneos para el reconocimiento de especies (SR) y detección de infecciones en plantas, la mayoría de ellos han realizado experimentos en conjuntos de datos equilibrados y han utilizado la precisión como parámetro de evaluación. Sin embargo, este trabajo utilizó un conjunto de datos desequilibrado con un número desigual de imágenes, aplicó aumentación de datos para aumentar la precisión, organizó los datos en múltiples casos de prueba y clases, y, lo más importante, empleó parámetros de evaluación de clasificadores multiclase útiles para distribuciones de clases asimétricas. Además, el trabajo aborda problemas típicos como la selección del tamaño del conjunto de datos, la profundidad de los clasificadores, el tiempo de entrenamiento necesario y el análisis del rendimiento del clasificador si se despliegan varios casos de prueba. En este trabajo, la arquitectura ResNet 20 (V2) ha tenido un desempeño significativamente bueno en las tareas de Reconocimiento de Especies (SR) e Identificación de Hojas Sanas e Infectadas (IHIL) con una Precisión del 91.84% y 84.00%, Recall del 91.67% y 83.14% y Puntuación F1 del 91.49% y 83.19%, respectivamente.