Los pequeños sistemas aéreos no tripulados (UAS) presentan muchas soluciones y mejoras potenciales para la industria hoy en día, pero también representan un desafío de seguridad significativo. Solo necesitamos observar los niveles de interrupción causados por los UAS en los aeropuertos en los últimos años. La precisión de los sistemas de detección y clasificación de UAS basados en señales de radiofrecuencia (RF) puede verse obstaculizada por otras señales interferentes presentes en la misma banda de frecuencia, como los dispositivos Bluetooth y Wi-Fi. En este documento, evaluamos el efecto de la interferencia del mundo real de las señales de Bluetooth y Wi-Fi de manera concurrente en la extracción de características de redes neuronales convolucionales (CNN) y la clasificación de aprendizaje automático de los UAS. Evaluamos múltiples UAS que operan utilizando diferentes sistemas de transmisión: Wi-Fi, Lightbridge 2.0, OcuSync 1.0, OcuSync 2.0 y el recientemente lanzado OcuSync 3.0. Consideramos 7 UAS populares, evaluando la detección de UAS de 2 clases, la clasificación de tipo de UAS de 8 clases y la clasificación de modo de vuelo de UAS de 21 clases. Nuestros resultados muestran que el proceso de extracción de características de CNN utilizando aprendizaje por transferencia y clasificación de aprendizaje automático es bastante robusto en presencia de interferencia del mundo real. También mostramos que los UAS que operan utilizando el mismo sistema de transmisión pueden ser distinguidos. En presencia de interferencia de señales tanto de Bluetooth como de Wi-Fi, nuestros resultados muestran una precisión del 100% para la detección de UAV (2 clases), 98.1% (+/-0.4%) para la clasificación de tipo de UAV (8 clases) y 95.4% (+/-0.3%) para la clasificación de modo de vuelo de UAV (21 clases).