La osteoartritis (OA) es la artritis más común y la principal causa de discapacidad en las extremidades inferiores en adultos mayores. Comprender la progresión de la OA es importante en el desarrollo de técnicas terapéuticas específicas para el paciente en la etapa temprana de la OA en lugar de en la etapa final. Los sistemas de puntuación histopatológica suelen utilizarse para evaluar el progreso de la OA y los mecanismos involucrados en su desarrollo. Este estudio tiene como objetivo clasificar automáticamente las imágenes histopatológicas de especímenes de cartílago, utilizando algoritmos de inteligencia artificial. Las imágenes de cartílago teñidas con hematoxilina y eosina (HE) y safranina O y verde rápido (SafO) de especímenes de cartílago humano se dividieron en OA temprana, leve, moderada y grave. Se utilizaron cinco redes convolucionales pre-entrenadas (DarkNet-19, MobileNet, ResNet-101, NasNet) para extraer veinte características de las últimas capas completamente conectadas para ambos escenarios de SafO y HE. Se utilizaron análisis de componentes principales (PCA) y optimización de hormigas león (ALO) para obtener las mejores características ponderadas. El clasificador de máquina de vectores de soporte se entrenó y probó en base a los descriptores seleccionados para lograr las mayores precisión de 98.04% y 97.03% en HE y SafO, respectivamente. Utilizando el algoritmo ALO, las puntuaciones F1 fueron 0.97, 0.991, 1 y 1 para las imágenes de HE y 1, 0.991, 0.97 y 1 para las imágenes de SafO para las clases de OA temprana, leve, moderada y grave, respectivamente. Este algoritmo puede ser una herramienta útil para que los investigadores evalúen las imágenes histopatológicas de la OA sin necesidad de expertos en sistemas de puntuación histopatológica o la necesidad de entrenar a nuevos expertos. La incorporación de características profundas automatizadas podría ayudar a mejorar la caracterización y comprensión de la progresión y desarrollo de la OA.