La capacidad de clasificar drones utilizando señales de radar es un problema de gran interés. En este artículo, aplicamos redes neuronales convolucionales (CNN) a los espectrogramas de la Transformada de Fourier de Tiempo Corto (STFT) de las señales de radar simuladas reflejadas por los drones. Los drones varían de muchas maneras que impactan los espectrogramas de STFT, incluyendo la longitud de las palas y las tasas de rotación de las palas. Algunos de estos parámetros físicos se capturan en el modelo de Martin y Mulgrew, que se utilizó para producir los conjuntos de datos. Examinamos los datos bajo escenarios de simulación de radar en banda X y banda W y mostramos que un enfoque de CNN conduce a una puntuación F1 de 0.816+/-0.011 cuando se entrena con datos con una relación señal-ruido (SNR) de 10 dB. La red neuronal que se entrenó con datos de un radar en banda X con una frecuencia de repetición de pulso de 2 kHz demostró tener un mejor rendimiento que la CNN entrenada en el radar en banda W mencionado anteriormente. Se mantuvo robusta ante el ángulo de inclinación de las palas del drone y su rendimiento varió directamente de manera lineal con la SNR.