En el turismo gastronómico, la comida se considera la atracción turística central. Específicamente, la comida indígena se conoce por representar la expresión de la cultura y la identidad local. Para promover el turismo gastronómico, es fundamental contar con un modelo para el sistema de análisis de negocios de alimentos. Esta investigación lleva a cabo una evaluación empírica de modelos recientes de transferencia de aprendizaje para la extracción de características de aprendizaje profundo para un modelo de reconocimiento de alimentos. Se utilizan el conjunto de datos VIREO-Food172 y un nuevo conjunto de datos de alimentos de Sabah para evaluar el modelo de reconocimiento de alimentos. Posteriormente, el modelo se implementa en un sistema de aplicación web como un intento de automatizar el reconocimiento de alimentos. En este modelo, se utiliza una capa completamente conectada con 11 y 10 neuronas Softmax como clasificador para las categorías de alimentos en ambos conjuntos de datos. Se evalúan seis modelos de red neuronal convolucional (CNN) preentrenados como extractores de características para extraer características esenciales de las imágenes de alimentos. De la evaluación, la investigación encontró que el extractor de características basado en EfficientNet y el clasificador CNN lograron la mayor precisión de clasificación del 94.01% en el conjunto de datos de alimentos de Sabah y del 86.57% en el conjunto de datos VIREO-Food172. EFFNet como representación de características superó a Xception en términos de rendimiento general. Sin embargo, Xception puede ser considerado a pesar de algunas desventajas en el rendimiento de precisión si la velocidad computacional y el uso de espacio de memoria son más importantes que el rendimiento.