El patrón de tejido (textura) de la tela tejida se considera un factor importante en el diseño y producción de telas de alta calidad. Tradicionalmente, el reconocimiento de la tela tejida presenta muchos desafíos debido a su inspección visual manual. Además, los enfoques basados en algoritmos de aprendizaje automático tempranos dependen directamente de características hechas a mano, que son procesos que consumen tiempo y propensos a errores. Por lo tanto, se necesita un sistema automatizado para la clasificación de telas tejidas con el fin de mejorar la productividad. En este documento, proponemos un modelo de aprendizaje profundo basado en la ampliación de datos y en un enfoque de transfer learning para la clasificación y reconocimiento de telas tejidas. El modelo utiliza la red residual (ResNet), donde las características de textura de la tela se extraen y clasifican automáticamente de principio a fin. Evaluamos los resultados de nuestro modelo utilizando métricas de evaluación como precisión, precisión equilibrada y puntuación F1. Los resultados experimentales muestran que el modelo propuesto es robusto y logra una precisión de vanguardia incluso cuando se modifican las propiedades físicas de la tela. Comparamos nuestros resultados con otros enfoques de referencia y un modelo de aprendizaje profundo VGGNet preentrenado, lo que mostró que el método propuesto logró una precisión más alta cuando se consideraron orientaciones rotacionales en la tela y efectos de iluminación adecuados.