El monitoreo del comportamiento alimentario es una tarea esencial para una gestión eficiente del rodeo y la utilización efectiva de los recursos disponibles. Ser capaz de reconocer automáticamente los movimientos masticatorios mandibulares que ocurren durante las principales actividades de alimentación, e identificar estas últimas, permite la detección temprana de enfermedades, la optimización de las dietas y la mejora en la estimación de las fechas de celo y parto, entre otros beneficios. La utilización de sensores que permiten obtener señales para realizar este seguimiento se ha popularizado en las ´ultimas décadas, debido a que presenta una alternativa a la práctica clásica de observación directa que resulta inviable en la generalidad de los casos. Esta tesis aborda el monitoreo automático del comportamiento alimentario en rumiantes mediante la fusión de información con sensores acústicos e inerciales utilizando arquitecturas de redes neuronales profundas. Para llevar adelante esto, ha sido necesario en primer lugar explorar y proponer arquitecturas profundas que permitan detectar eventos masticatorios a partir de señales acústicas debido a que no existían propuestas en el estado del arte para dicha problemática. Luego se ha evaluado el uso de técnicas de fusión de información mediante la formulación y evaluación de arquitecturas de redes neuronales profundas a distintos niveles de fusión. Los mejores resultados de reconocimiento de eventos masticatorios fueron obtenidos por una arquitectura de fusión a nivel de características que utiliza distintas redes convolucionales para procesar las señales de entrada. Esta arquitectura ha alcanzado resultados superiores respecto a otras propuestas existentes en la literatura, confirmando de esta forma que la fusión de información resulta beneficiosa en el contexto del problema abordado en esta tesis. Finalmente, se ha evaluado la aplicación de técnicas de transferencia de aprendizaje pudiendo concluir que su aplicación permite obtener un mejor desempeño.