Recientemente, los vehículos aéreos no tripulados (UAVs) han sido utilizados en varias aplicaciones de modelado ambiental e inventarios de uso del suelo. Al mismo tiempo, se necesitan modelos de clasificación de imágenes de teledetección basados en visión por computadora para monitorear las modificaciones a lo largo del tiempo, como vegetación, agua interior, suelo desnudo o infraestructura humana, independientemente de las resoluciones espectrales, espaciales, temporales y radiométricas. En este aspecto, este documento propone un conjunto de modelos de clasificación de cobertura terrestre multimodal basados en DL (EDL-MMLCC) utilizando imágenes de teledetección. La técnica EDL-MMLCC tiene como objetivo clasificar imágenes de teledetección en diferentes clases de nubes, sombras y cobertura terrestre. Principalmente, se llevan a cabo técnicas de preprocesamiento basadas en filtrado mediano y aumento de datos. Además, se utiliza un conjunto de modelos de DL, a saber, VGG-19, Capsule Network (CapsNet) y MobileNet, para la extracción de características. Además, el proceso de entrenamiento de los modelos de DL puede mejorarse mediante el uso del algoritmo de optimización de cuco alojado (HCO). Finalmente, se aplica el algoritmo de enjambre de salp (SSA) con el clasificador de máquina de aprendizaje extremo regularizado (RELM) para la clasificación de cobertura terrestre. El diseño del algoritmo HCO para la optimización de hiperparámetros y SSA para la sintonización de parámetros del modelo RELM ayuda a aumentar considerablemente el resultado de clasificación al máximo nivel. La técnica propuesta EDL-MMLCC se prueba utilizando un conjunto de datos de Amazon del repositorio de Kaggle. Los resultados experimentales señalaron el rendimiento prometedor de la técnica EDL-MMLCC sobre los enfoques de vanguardia recientes.