Los dátiles constituyen uno de los productos agrícolas más importantes de Argelia debido a sus significativos beneficios para la salud y la economía. Además, representan un artículo de exportación vital más allá de la industria de los hidrocarburos. Las técnicas convencionales que existen para clasificar y ordenar dátiles son ineficaces, consumen mucho tiempo y requieren mucha mano de obra, lo que genera una discrepancia entre las exportaciones limitadas y los elevados niveles de producción. Este trabajo presenta un modelo de aprendizaje en conjunto (EL) que utiliza estrategias de aprendizaje por transferencia (TL) para superar obstáculos y mejorar la clasificación de frutos de dátiles. Evaluamos la eficacia de cuatro clasificadores, i.e., MobileNetV2, EfficientNet y DenseNet201, y un clasificador de votación suave en conjunto que emplea TL, utilizando un conjunto de datos de 1619 imágenes que representan 20 variedades distintas de dátiles argelinos. El conjunto de datos utilizado es uno de los mayores referentes en diversidad varietal. El modelo híbrido propuesto presenta un rendimiento excepcional, con una precisión de validación del 99.07 % y una precisión de clasificación del 99.93 %, y establece un nuevo referente en la tecnología agrícola al superar a todos los modelos evaluados en términos de precisión, sensibilidad y puntuación F1. Estos hallazgos demuestran el potencial de este enfoque para transformar por completo la clasificación de dátiles y mejorar notablemente la producción y eficiencia agrícola.