El desarrollo de vehículos aéreos no tripulados (VANT) de bajo costo y sensores de imagen ligeros ha generado un interés significativo en su uso para aplicaciones de teledetección. Si bien se ha prestado atención considerable a la recolección, calibración, registro y mosaico de datos recolectados de pequeños VANT, la interpretación de estos datos en información semánticamente significativa aún puede ser una tarea laboriosa. Un flujo de trabajo estándar de recolección y clasificación de datos requiere un esfuerzo manual significativo para el ajuste del tamaño de segmento, selección de características y diseño de clasificadores basados en reglas. En este artículo, proponemos un enfoque alternativo basado en el aprendizaje utilizando el aprendizaje de características para minimizar el esfuerzo manual requerido. Aplicamos este sistema a la clasificación de especies de malezas invasoras. Los pequeños VANT son adecuados para esta aplicación, ya que pueden recolectar datos a altas resoluciones espaciales, lo cual es esencial para la clasificación de brotes de malezas pequeños o localizados. En este artículo, aplicamos el aprendizaje de características para generar un banco de filtros de imagen que permite la extracción de características que discriminan entre las malezas de interés y los objetos de fondo. Estas características se agrupan para resumir las estadísticas de la imagen y formar la entrada a un clasificador lineal basado en textones que clasifica un parche de imagen como maleza o fondo. Evaluamos nuestro enfoque para la clasificación de malezas en tres malezas de importancia en Australia: jacinto de agua, manzana de soda tropical y pasto serrado. Nuestros resultados mostraron que recolectar imágenes a 5-10 m resultó en la mayor precisión del clasificador, indicada por puntajes F1 de hasta el 94%.