El emparejamiento híbrido de las especies de gusanos de seda correspondientes es un vínculo fundamental en la sericultura, asegurando la calidad de los huevos e influyendo directamente en la cantidad y calidad de la seda. Considerando el potencial del reconocimiento de imágenes y el impacto de las diferentes posturas de las pupas, este estudio utilizó aprendizaje automático y aprendizaje profundo para modelado global con el fin de identificar las especies de pupas y su sexo de forma separada o simultánea. Se comparó el rendimiento de los enfoques tradicionales basados en características, los enfoques basados en características de aprendizaje profundo y sus enfoques de fusión. Primero, se capturaron 3600 imágenes de la parte posterior, el abdomen y las posturas laterales de 5 especies de pupas masculinas y femeninas. A continuación, se utilizaron seis descriptores tradicionales, incluido el histograma de gradientes orientados (HOG), y seis descriptores de aprendizaje profundo, incluido ConvNeXt-S, para extraer características significativas de especies y sexo. Finalmente, se construyeron modelos de clasificación utilizando el perceptrón multicapa (MLP), la máquina de soporte vectorial y el bosque aleatorio. Los resultados indican que el modelo {HOG + ConvNeXt-S + MLP} sobresalió, logrando un 99.09% de precisión en el reconocimiento separado de especies y sexos y un 98.40% en el reconocimiento simultáneo, con curvas de precisión-recall y características operativas del receptor que oscilan entre 0.984 y 1.0 y 0.996 y 1.0, respectivamente. En conclusión, puede capturar sutiles distinciones entre especies y sexos de pupas y muestra promesa para una amplia aplicación en la sericultura.