En respuesta a los crecientes desafíos en la seguridad de drones y la gestión del espacio aéreo, este estudio presenta un clasificador de drones avanzado, capaz de detectar y categorizar Vehículos Aéreos No Tripulados (VANT) basándose en firmas acústicas. Utilizando una base de datos completa de sonidos de drones en clases definidas por la UE (C0 a C3), esta investigación aprovecha técnicas de aprendizaje automático (ML) para una identificación efectiva de VANT. El estudio se centra principalmente en el impacto de los métodos de aumento de datos: cambio de tono, retrasos de tiempo, distorsión armónica e integración de ruido ambiental, en el rendimiento del clasificador. Estas técnicas buscan imitar las variaciones acústicas del mundo real, mejorando así la robustez y aplicabilidad práctica del clasificador. Los resultados indican que niveles moderados de aumento mejoran significativamente la precisión de clasificación. Sin embargo, la aplicación excesiva de estos métodos puede afectar negativamente el rendimiento. El estudio concluye que un sofisticado aumento de datos acústicos puede mejorar sustancialmente la detección de drones impulsada por ML, proporcionando una herramienta versátil y eficiente para gestionar los riesgos de seguridad relacionados con drones. Esta investigación contribuye a la tecnología de detección de VANT, presentando un modelo que no solo identifica, sino que también categoriza drones, subrayando su potencial para diversos entornos operativos.