Este documento presenta un análisis detallado de una red neuronal convolucional basada en neuronas de valores múltiples (CNNMVN) y una red neuronal multicapa totalmente conectada basada en neuronas de valores múltiples (MLMVN), empleadas aquí como una red neuronal convolucional en el dominio de la frecuencia. Comenzamos proporcionando una visión general de los conceptos fundamentales subyacentes a CNNMVN, centrándonos en la organización de las capas convolucionales y el algoritmo de aprendizaje de CNNMVN. La regla de retropropagación del error para esta red está justificada y presentada en detalle. Posteriormente, consideramos cómo MLMVN puede ser utilizado como una red neuronal convolucional en el dominio de la frecuencia. Se muestra que cada neurona en la primera capa oculta de MLMVN puede funcionar como un kernel convolucional en el dominio de la frecuencia, utilizando el Teorema de Convolución. Básicamente, estas neuronas crean transformadas de Fourier de los mapas de características que habrían resultado de las convoluciones en el dominio espacial realizadas en las redes neuronales convolucionales regulares. Además, discutimos técnicas de optimización para ambas redes y comparamos las convoluciones resultantes para explorar qué características extraen de las imágenes. Finalmente, presentamos resultados experimentales que muestran que ambos enfoques pueden lograr una alta precisión en el reconocimiento de imágenes.