En la actualidad, una fruta pasa por múltiples procesos hasta llegar a nuestro hogar. Uno de ellos es la evaluación de su calidad mediante la inspección manual que evalúa parámetros de madurez, defectos y forma. Este proceso de evaluación puede dar cabida a inconsistencias y alargar los tiempos en el proceso de calificación de una fruta. Por ese motivo, el presente proyecto propone la evaluación de arquitecturas de CNN que permitan reconocer y clasificar deformidades en las frutas manzana, mango y fresa, con el fin de automatizar esta importante fase de la industria. Para ello, se recolectó imágenes disponibles en repositorios públicos de las frutas mencionadas y se utilizó generadores de imágenes sintéticas para obtener un conjunto de datos significativo en cuanto a la forma de las frutas. Luego, se procedió con la implementación y entrenamiento de varias arquitecturas de CNN; entre ellas, VGG16, MobileNetV2 y CIDIS. Se emplearon técnicas de Transferencia de Aprendizaje y se empleó el concepto de redes siamesas para habilitar el uso de imágenes de siluetas de las frutas. Como resultados de los entrenamientos, se obtuvo que la mejor arquitectura para obtener clasificación por forma de las frutas fue la MobileNetV2, alcanzando exactitudes del 90%, 94% y 92% en manzanas, mangos y fresas respectivamente. Se concluye que la arquitectura MobileNetV2 es la más precisa y eficiente para la clasificación de deformidades en frutas y se recomienda su inclusión en aplicaciones de evaluación de calidad de las frutas.