La gestión estratégica de las tierras agrícolas implica el monitoreo de los campos de cultivo cada año. La discriminación de cultivos a través de la teledetección es una tarea compleja, especialmente si diferentes cultivos tienen una respuesta espectral y un patrón de cultivo similar. En tales casos, la identificación de cultivos podría mejorarse combinando el análisis de imágenes basado en objetos y métodos avanzados de aprendizaje automático. En esta investigación, evaluamos los métodos de árbol de decisión C4.5, regresión logística (LR), máquina de soporte vectorial (SVM) y red neuronal de perceptrón multicapa (MLP), tanto como clasificadores individuales como combinados en una clasificación jerárquica, para el mapeo de nueve cultivos principales de verano (tanto leñosos como herbáceos) a partir de imágenes satelitales ASTER capturadas en dos fechas diferentes. Cada método se construyó con diferentes combinaciones de características espectrales y texturales obtenidas después de la segmentación de las imágenes remotas en un marco basado en objetos. Como clasificadores individuales, MLP y SVM obtuvieron una precisión general máxima del 88%, ligeramente superior a LR (86%) y notablemente superior a C4.5 (79%). El clasificador SVM+SVM (mejor método) mejoró estos resultados al 89%. En la mayoría de los casos, los clasificadores jerárquicos aumentaron considerablemente la precisión de la clase peor clasificada (mínima sensibilidad). El método SVM+SVM ofreció una mejora significativa en la precisión de clasificación para todos los cultivos estudiados en comparación con el clasificador de árbol de decisión convencional, variando entre el 4% para el cártamo y el 29% para el maíz, lo que sugiere la aplicación del análisis de imágenes basado en objetos y métodos avanzados de aprendizaje automático en tareas complejas de clasificación de cultivos.