El uso de filtros de Gabor en el procesamiento de imágenes ha sido ampliamente establecido, y estos filtros son reconocidos por sus excepcionales capacidades de extracción de características. Estos filtros suelen aplicarse mediante convolución. Aunque las redes neuronales convolucionales (CNNs) están diseñadas para aprender filtros óptimos, existe poca investigación sobre las ventajas de inicializar CNNs con filtros de Gabor. En este estudio, se comparó el rendimiento de CNNs inicializados con filtros de Gabor con CNNs tradicionales con inicialización aleatoria en seis conjuntos de datos de reconocimiento de objetos. Los resultados indicaron que las CNNs inicializadas con Gabor superaron a las CNNs tradicionales en cuanto a precisión, área bajo la curva, pérdida mínima y velocidad de convergencia. Se realizó un análisis estadístico para validar el rendimiento de los clasificadores, y los resultados mostraron que los clasificadores de Gabor superaron a los clasificadores de referencia. Los hallazgos de este estudio proporcionan evidencia sólida a favor del uso de métodos basados en Gabor para inicializar los campos receptivos de las arquitecturas de CNN.