Estados Unidos lidera en la producción y consumo de maíz en el mundo con un estimado de USD 50 mil millones por año. Existe una necesidad apremiante de desarrollar técnicas novedosas y eficientes destinadas a mejorar la identificación y erradicación de malezas de manera ambientalmente sostenible y económicamente ventajosa. La clasificación de malezas para robots agrícolas autónomos es una tarea desafiante para un sistema basado en una sola cámara debido al ruido, la vibración y la oclusión. Para abordar este problema, presentamos en este documento un sistema basado en múltiples cámaras con fusión de sensores a nivel de decisión para mejorar las limitaciones de un sistema basado en una sola cámara. Este estudio implica la utilización de una red neuronal convolucional (CNN) que fue pre-entrenada en el conjunto de datos de ImageNet. La CNN posteriormente fue sometida a un nuevo entrenamiento utilizando un conjunto de datos de malezas limitado para facilitar la clasificación de tres especies de malezas distintas: Xanthium strumarium (Bardana común), Amaranthus retroflexus (Pigüelo colorado) y Ambrosia trifida (Ambrosía común). Estas especies de malezas se encuentran con frecuencia en campos de maíz. Los resultados de las pruebas mostraron que la VGG16 re-entrenada con un clasificador basado en transferencia de aprendizaje exhibió una precisión aceptable (99% de entrenamiento, 97% de validación, 94% de precisión de prueba) y el tiempo de inferencia para la clasificación de malezas a partir de la transmisión de video fue adecuado para la implementación en tiempo real. Sin embargo, se encontró que la precisión de la clasificación basada en CNN a partir de la transmisión de video de una sola cámara se deterioró debido al ruido, la vibración y la oclusión parcial de las malezas. Los resultados de las pruebas a partir de la transmisión de video de una sola cámara muestran que la precisión de la clasificación de malezas no siempre es precisa para el sistema de pulverización de un robot agrícola (AgBot). Para mejorar la precisión del sistema de clasificación de malezas y superar las deficiencias de la clasificación basada en CNN de un solo sensor, se desarrolló e implementó un algoritmo de fusión de múltiples sensores a nivel de decisión basado en Dempster-Shafer (DS) mejorado. El algoritmo propuesto ofrece mejoras en la clasificación de malezas basada en CNN cuando la maleza está parcialmente oculta. Este algoritmo también puede detectar si un sensor está defectuoso dentro de una serie de sensores y mejora la precisión general de la clasificación al penalizar la evidencia de un sensor defectuoso. En general, el algoritmo de fusión propuesto mostró resultados sólidos en escenarios desafiantes, superando las limitaciones de un sistema basado en un solo sensor.