El objetivo de este trabajo de grado fue diseñar, implementar y evaluar una red neuronal convolucional para clasificar el aguacate Hass entre exportación y producto nacional, por medio de variables visuales, en este caso el color en la piel del aguacate y cualquier daño que se pudiera observar sobre el mismo. En primer lugar, se construyó una base de datos con 831 imágenes, de las cuales se tuvieron que escoger las mejores imágenes, teniendo en cuenta posición del aguacate y calidad de la imagen, finalmente la base de datos tiene 534 imágenes. Con estas imágenes, se realizó el entrenamiento de la red neuronal convolucional por medio de Python con 394 imágenes, de las cuales se usaron 197 de tipo exportación y 197 de tipo nacional. Una vez se obtuvo un porcentaje de entrenamiento de 80,07% de producto en Python, se procedió a hacer la validación de la red neuronal, haciendo uso de 140 imágenes, las cuales se dividieron en 50 para exportación y 90 nacional, para la validación se obtuvo un porcentaje de 76,43%. Posteriormente, se procedió a diseñar la red neuronal convolucional de Python sobre la FPGA, la única diferencia fue que los pesos y sesgos obtenidos del entrenamiento en Python, se tuvieron que multiplicar por 100. De manera que, se tuvo un cambio en cifras significativas a la hora de hacer las operaciones matemáticas de la red neuronal. Luego, se procedió a hacer la validación de la red neuronal convolucional sobre la FPGA con las mismas imágenes que se usaron para hacer la validación por medio de Python. A lo largo del documento, se encuentra el diseño completo de la red neuronal convolucional, así como las debidas simulaciones y pruebas realizadas en hardware para comprobar el funcionamiento de esta. Finalmente se encuentran el análisis de los resultados obtenidos.