Entender la dinámica de alimentación de los animales acuáticos es crucial para la optimización de la acuicultura y la gestión de ecosistemas. Este artículo propone un nuevo marco para analizar el comportamiento de alimentación de los peces basado en una fusión de características extraídas de espectrogramas y una arquitectura de aprendizaje profundo. Las formas de onda de audio en bruto se transforman primero en espectrogramas Log Mel, y se propone una fusión de características como la Transformada Discreta de Wavelet, el filtro de Gabor, el Patrón Binario Local y el Filtro Pasa Altas Laplaciano, seguido de un modelo profundo bien adaptado, para capturar información espectral crucial que puede ayudar a distinguir entre las diversas formas de comportamiento de alimentación de los peces. Se utiliza un modelo de aprendizaje profundo basado en Redes Neuronales Involucionales (INN) para la clasificación, logrando una precisión de hasta el 97% en varios segmentos temporales. La metodología propuesta ha demostrado ser efectiva en la clasificación precisa de las intensidades de alimentación, lo que permite obtener información pertinente para la mejora de la acuicultura y la gestión de ecosistemas. El trabajo futuro puede incluir modalidades adicionales de extracción de características e integración de datos multimodales para profundizar nuestra comprensión y contribuir a la gestión sostenible de los recursos marinos.