Detectar y reconocer los tipos de deterioro en el pavimento es crucial para seleccionar los métodos más apropiados para reparar, mantener, prevenir daños adicionales y asegurar el funcionamiento fluido de las actividades diarias. Sin embargo, esta tarea presenta desafíos, como lidiar con fondos concurridos, la presencia de múltiples tipos de deterioro en las imágenes y su pequeño tamaño. En este estudio, se emplea la red YOLOv8, un modelo de vanguardia de una sola etapa, para reconocer siete tipos comunes de deterioro en el pavimento, incluyendo grietas transversales, grietas longitudinales, grietas de cocodrilo, grietas oblicuas, baches, reparaciones y delaminación, utilizando un conjunto de datos que comprende 5796 imágenes terrestres y aéreas no tripuladas. La arquitectura optimizada de la red y sus múltiples capas convolucionales facilitan la extracción de características semánticas de alto nivel, mejorando la precisión, velocidad y robustez del algoritmo. Al combinar características semánticas altas y bajas, la red logra una mayor precisión para abordar desafíos y distinguir entre diferentes tipos de deterioro. La Red Neuronal Convolucional implementada demuestra una precisión de reconocimiento del 77%, una exactitud del 81%, un mAP del 79%, un f1-score del 74% y un recall del 75%, subrayando la efectividad del modelo en el reconocimiento de diversas formas de deterioro en el pavimento tanto en imágenes aéreas como terrestres. Estos resultados destacan el rendimiento satisfactorio del modelo y su potencial para reconocer y categorizar eficazmente el deterioro del pavimento para un mantenimiento y gestión de infraestructuras eficientes.