La caracterización de señales de ecolocalización con espectrogramas se ha usado para la diferenciación de especies, tipos de pulsos y fases de forrajeo en murciélagos. Las características espectrales y temporales utilizadas con frecuencia son: frecuencia inicial, frecuencia final, frecuencia mínima, frecuencia máxima, ancho de banda y duración de los pulsos. Este proceso manual por parte de expertos es tedioso para el monitoreo y análisis, dado el gran volumen de datos para la escalabilidad e investigación. En este trabajo se analizó el desempeño de integrar un proceso de extracción de características de sonido y señales pulsos de ecolocalización junto con un método de aprendizaje computacional (Random Forest) para la clasificación automática de señales de dos especies de murciélagos embalonúridos y una especie de murciélago pescador (Saccopterix bilineata, S. leptura y Noctilio albiventris). Usamos 1.378 pulsos de fase de búsqueda de las tres especies mientras forrajeaban. El conjunto de datos se dividió por especie de forma estratificada; 70% entrenamiento y 30% prueba. El clasificador automático Random Forest fue entrenado con un número de árboles de 100 y fue evaluado en el conjunto de prueba obteniendo una exactitud promedio (Average accuracy) de 88%, con una precisión de 84% para S. bilineata, 80% para S. leptura y 97% para N. albiventris.