La resistencia antimicrobiana, en particular la aparición de cepas resistentes en patógenos fúngicos, se ha convertido en una preocupación urgente para la salud global. Los péptidos antifúngicos (PAFs) han mostrado un gran potencial como una estrategia terapéutica alternativa prometedora debido a sus propiedades antimicrobianas inherentes y su potencial aplicación en la lucha contra infecciones fúngicas. Sin embargo, la identificación de péptidos antifúngicos mediante enfoques experimentales es lenta y costosa. Por lo tanto, existe una demanda de proponer enfoques computacionales rápidos y precisos para identificar PAFs. Este artículo presenta un novedoso modelo de aprendizaje de características de múltiples vistas (MVFL), llamado AFP-MVFL, para una identificación precisa de PAFs, utilizando el aprendizaje de características de múltiples vistas. Al integrar las propiedades secuenciales y fisicoquímicas de los aminoácidos y emplear un enfoque de múltiples vistas, el modelo AFP-MVFL mejora significativamente la precisión de la predicción. Logra un 97.9%, 98.4%, 0.98 y 0.96 en términos de precisión, puntuación F1 y coeficiente de correlación de Matthews (MCC), respectivamente, superando los estudios previos encontrados en la literatura.