El reconocimiento de los pictogramas Dongba presenta desafíos significativos debido a las trampas en los métodos tradicionales de extracción de características, la alta complejidad de los algoritmos de clasificación y su capacidad de generalización. Este estudio propone un método de clasificación de imágenes basado en redes neuronales convolucionales (CNN) para mejorar la precisión y eficiencia del reconocimiento de pictogramas Dongba. La investigación comienza con la recopilación y categorización manual de imágenes de pictogramas Dongba, seguida de estos pasos de preprocesamiento para mejorar la calidad de la imagen: normalización, conversión a escala de grises, filtrado, eliminación de ruido y binarización. El conjunto de datos, que comprende 70,000 muestras de imágenes, se categoriza en 18 clases basadas en características de forma y anotaciones manuales. Luego, se entrena un modelo de CNN utilizando un conjunto de datos que se divide en conjuntos de entrenamiento (con el 70% de todas las muestras), validación (20%) y prueba (10%). En particular, se aplican técnicas de aumento de datos, incluyendo rotación, transformación afín, escalado y traducción, para mejorar la precisión de la clasificación. Los resultados experimentales demuestran que el modelo propuesto alcanza una precisión de clasificación del 99.43% y supera consistentemente otros métodos convencionales, con su rendimiento alcanzando un máximo del 99.84% bajo condiciones de entrenamiento optimizadas, específicamente, con 75 épocas de entrenamiento y un tamaño de lote de 512. Este estudio proporciona una solución robusta y eficiente para clasificar automáticamente los pictogramas Dongba, contribuyendo a su preservación digital y a la investigación académica. Al aprovechar técnicas de aprendizaje profundo, el enfoque propuesto facilita la identificación rápida y precisa de los jeroglíficos Dongba, apoyando los esfuerzos en curso en la preservación del patrimonio cultural y la aplicación más amplia de la inteligencia artificial en estudios lingüísticos.