El aprendizaje automático (ML) se utiliza ampliamente hoy en día, especialmente a través de redes neuronales profundas (DNN); sin embargo, el aumento de la carga computacional y los requisitos de recursos han llevado a soluciones basadas en la nube. Para abordar este problema, ha surgido una nueva generación de redes llamadas redes neuronales de picos (SNN), que imitan el comportamiento del cerebro humano para mejorar la eficiencia y reducir el consumo de energía. Estas redes a menudo procesan grandes cantidades de información sensible, como datos confidenciales, y por lo tanto surgen problemas de privacidad. La encriptación homomórfica (HE) ofrece una solución, permitiendo que se realicen cálculos sobre datos encriptados sin necesidad de desencriptarlos. Esta investigación compara las DNN tradicionales y las SNN utilizando el esquema de encriptación Brakerski/Fan-Vercauteren (BFV). Los modelos LeNet-5 y AlexNet, arquitecturas convolucionales de uso general, se utilizan tanto para los modelos DNN como para los SNN según sus respectivas arquitecturas, y las redes se entrenan y comparan utilizando el conjunto de datos FashionMNIST. Los resultados muestran que las SNN que utilizan HE logran hasta un 40% más de precisión que las DNN para valores bajos del módulo de texto plano t, aunque su tiempo de ejecución es más largo debido a su naturaleza de codificación temporal con múltiples pasos de tiempo.