Según la Asociación Americana de Humanidad, millones de gatos y perros se pierden cada año. Solo unos pocos miles de ellos son encontrados y devueltos a casa. En este trabajo, utilizamos aprendizaje profundo para ayudar a acelerar el procedimiento de encontrar gatos y perros perdidos, para lo cual se recopiló un nuevo conjunto de datos. Aplicamos métodos de transferencia de aprendizaje en diferentes redes neuronales convolucionales para la clasificación de especies y la identificación de animales. El marco consta de siete capas secuenciales: preprocesamiento de datos, clasificación de especies, detección de cara y cuerpo con técnicas de detección de puntos de referencia, alineación de cara, identificación, biometría suave animal y recomendación. Logramos una precisión del 98.18% en la clasificación de especies. En la capa de identificación de cara, se alcanzó una precisión del 80%. La identificación del cuerpo resultó en una precisión del 81%. Al utilizar la identificación del cuerpo además de la identificación de la cara, la precisión aumentó al 86.5%, con un 100% de probabilidad de que el animal estuviera en nuestras 10 mejores recomendaciones de coincidencia. Al incorporar la información biométrica suave de los animales, el sistema puede identificar animales con un 92% de confianza.