La detección y clasificación de objetos en movimiento basados en motores en escenas restringidas a partir de señales acústicas permiten mejores sistemas inteligentes específicos de Sistemas Aéreos No Tripulados (UAS) y sistemas de vigilancia basados en audio. Las Redes Neuronales Recurrentes (RNN) ofrecen una amplia cobertura en el campo del análisis acústico debido a su efectividad en aplicaciones prácticas generalizadas. En este trabajo, proponemos estudiar modelos de redes recurrentes SimpleRNN, LSTM, BiLSTM y GRU para sistemas de reconocimiento de sonido de UAV en tiempo real basados en espectrogramas de Mel utilizando capas de Kapre. El objetivo principal del trabajo es estudiar los tipos de redes RNN en un sentido práctico para un sistema de reconocimiento de sonido de drones confiable. Según los resultados de un estudio experimental, el modelo de red GRU (Unidades Recurrentes Gated) demostró una mayor capacidad de predicción que otras arquitecturas RNN para detectar diferencias y el estado de los objetos a partir de señales acústicas. Es decir, las RNN ofrecieron un reconocimiento superior al de las CNN para estados de audio cargados y descargados de varios modelos de UAV, mientras que el modelo GRU mostró una precisión de aproximadamente el 98% para determinar los estados de carga del UAV y una precisión del 99% para el ruido de fondo, que consistía en más datos.