En los últimos años, los algoritmos de aprendizaje profundo (DL) se han integrado ampliamente para la clasificación de imágenes de teledetección, pero se han realizado menos estudios que lo apliquen al consumo de suelo (LC). El LC es el principal factor en las dinámicas de transformación del suelo y es la primera causa de pérdida de hábitats naturales; por lo tanto, monitorear este fenómeno es extremadamente importante para establecer políticas efectivas y una planificación sostenible. Este artículo tiene como objetivo probar un algoritmo de DL en imágenes aéreas de alta resolución para verificar su aplicabilidad en el monitoreo del consumo de suelo. Para este propósito, aplicamos una arquitectura de redes neuronales convolucionales (CNNs) llamada ResNet50 en un conjunto de datos de referencia de seis imágenes aéreas de alta resolución espacial para la producción automática de mapas temáticos con el objetivo de mejorar la precisión y reducir costos y tiempo en comparación con técnicas tradicionales. La comparación con el Mapa Nacional de Consumo de Suelo (LCM) de ISPRA sugiere que, aunque las técnicas de aprendizaje profundo no se explotan ampliamente para mapear el suelo consumido y monitorear el consumo de suelo, podrían ser un apoyo valioso para el monitoreo y la presentación de datos sobre áreas periurbanas altamente dinámicas, especialmente en vista de la rápida evolución de estas técnicas.