Las redes neuronales convolucionales suelen emplear capas convolucionales para la extracción de características y capas de agrupación para la reducción de dimensionalidad. Sin embargo, los métodos de agrupación convencionales a menudo conducen a una pérdida de información crítica de características, especialmente en imágenes con contenido diverso, como imágenes de vehículos. Este estudio propone un enfoque novedoso para abordar estos problemas: una red neuronal convolucional con agrupación basada en lógica difusa tipo-2 (CNN-T2FP). Este método de agrupación innovador utiliza funciones de membresía difusas tipo-2 para gestionar de manera efectiva la imprecisión local en los mapas de características. En comparación con la agrupación difusa tipo-1, que solo aborda la incertidumbre hasta cierto punto, la agrupación difusa tipo-2 muestra una mejor adaptabilidad a diferentes contenidos de imagen. Los resultados experimentales de este estudio revelaron que la CNN-T2FP logró precisión promedio del 92.14% y 93.34% en dos conjuntos de datos, superando el rendimiento de las técnicas de agrupación existentes. Además, los gráficos de incrustación de vecinos estocásticos t-distribuidos y los mapas de visualización de características resaltaron aún más el potencial de la agrupación basada en lógica difusa tipo-2 para superar las limitaciones de los métodos de agrupación convencionales y mejorar el rendimiento de las redes neuronales convolucionales en tareas de análisis de imagen.