La identificación de especies dentro de los hongos filamentosos es crucial en varios campos como la agricultura, el monitoreo ambiental y la micología médica. Los métodos tradicionales de identificación basados en la morfología tienen una baja demanda de uso de equipos avanzados y dependen en gran medida de la observación manual y la experiencia. Sin embargo, este enfoque puede tener dificultades para diferenciar entre especies en un género debido a sus posibles similitudes visuales, lo que hace que el proceso sea lento y subjetivo. En este estudio, presentamos un modelo de reconocimiento de especies fúngicas basado en IA que utiliza técnicas de aprendizaje profundo aplicadas a imágenes en time-lapse. El conjunto de datos de entrenamiento, derivado de cepas de hongos en la Colección de Cultivos del IBT, constaba de 26,451 imágenes de alta resolución que representaban 110 especies de 35 géneros. El conjunto de datos se dividió en un conjunto de entrenamiento y subconjuntos de validación. Implementamos tres arquitecturas avanzadas de aprendizaje profundo: ResNet50, DenseNet-121 y Vision Transformer (ViT) para evaluar su efectividad en la clasificación precisa de especies fúngicas. Al utilizar imágenes de las primeras etapas de crecimiento (días 2-3.5) para el entrenamiento y la prueba y etapas posteriores (días 4-7) para la validación, nuestro enfoque acorta el proceso de identificación de hongos en 2-3 días, reduciendo significativamente la carga de trabajo y los costos asociados. Entre los modelos, el Vision Transformer logró la mayor precisión del 92.6%, demostrando la efectividad de nuestro método. Este trabajo contribuye a la automatización de la identificación de hongos, proporcionando una solución confiable y eficiente para monitorear el crecimiento y la diversidad fúngica a lo largo del tiempo, lo que sería útil para colecciones de cultivos u otras instituciones que manejan un gran número de nuevos aislados en su trabajo diario.