Las peras son susceptibles a defectos internos durante su crecimiento y manejo postcosecha, comprometiendo su calidad y valor en el mercado. Los métodos tradicionales de detección, como la inspección manual y el análisis fisicoquímico, enfrentan limitaciones en eficiencia, objetividad y no destructividad. Para abordar estos desafíos, este estudio investiga un enfoque no destructivo que integra la imagen de rayos X y la teoría de decisión multicriterio (MCD) para la detección no destructiva de defectos internos en peras. Los defectos internos fueron identificados analizando variaciones en escala de grises en las imágenes de rayos X. El método propuesto combina clasificadores basados en características manuales, incluidos el Patrón Binario Local (LBP) y el Histograma de Gradientes Orientados (HOG), con un modelo de red neuronal convolucional profunda (DCNN) dentro de un marco de fusión basado en MCD. Los resultados experimentales demostraron que el modelo fusionado logró una precisión de detección del 97.1%, superando significativamente a los clasificadores individuales. Este enfoque redujo efectivamente la clasificación errónea causada por similitudes estructurales en las imágenes de rayos X. El estudio confirma la eficacia de la imagen de rayos X acoplada con la fusión de múltiples clasificadores para una evaluación precisa y no destructiva de la calidad interna de las peras, ofreciendo un valor práctico para la clasificación de frutas y la gestión postcosecha en la industria perera.