Mejorar el entorno de vida de las comunidades de pescadores con el rápido crecimiento tecnológico es esencial en el sector marino. Entre los diversos problemas de la industria pesquera, la identificación de zonas de pesca y la detección de capturas de peces juegan un papel significativo en la comunidad pesquera. En este trabajo, se desarrolla e implementa la predicción automatizada de zonas de pesca potenciales y la clasificación de especies de peces en un entorno acuático a través de algoritmos de aprendizaje automático. Se diseña y desarrolla un prototipo de la estructura del barco con material de madera liviana que abarca todos los sensores y cámaras necesarios. Las funciones del barco no tripulado (FishID-AUV) se basan en el control del usuario a través de una aplicación móvil/web (APP) fácil de usar. Se consideran las diferentes características que impactan la identificación de puntos críticos, y se realiza la selección de características utilizando varios algoritmos de aprendizaje basados en clasificadores, a saber, Naive Bayes, vecinos más cercanos, Random Forest y Máquina de Vectores de Soporte (SVM). Se comparan los resultados de las clasificaciones. A partir de los resultados en tiempo real, está claro que el modelo de clasificación Naive Bayes proporciona una mejor precisión, que se emplea en la plataforma de aplicación para predecir la zona de pesca potencial. Después de identificar la primera captura, las especies se clasifican utilizando una red neuronal convolucional profunda basada en AlexNet. Además, el usuario puede obtener información en tiempo real, como el estado de la pesca a través de transmisión de video en vivo para determinar la calidad y cantidad de peces, junto con información como pH, temperatura y humedad. El trabajo propuesto se implementa en un prototipo de estructura de barco en tiempo real y se valida con datos de sensores y satélites.