Los ecosistemas de páramo son esenciales para la regulación hídrica y la conservación de la biodiversidad en zonas montañosas. Sin embargo, enfrentan amenazas significativas debido al cambio climático y actividades humanas como agricultura, ganadería y minería. La ausencia de una delimitación clara y de sistemas de monitoreo continuo de sus coberturas dificultan su protección efectiva resaltando la necesidad de emplear técnicas digitales avanzadas que proporcionen información con alta exactitud y actualizada. Las redes neuronales convolucionales (CNNs, por sus siglas en inglés) se han posicionado como herramientas prometedoras para la segmentación semántica de imágenes satelitales. Esta investigación buscó evaluar el desempeño de dos modelos basados en arquitecturas de CNNs U-Net++ y DeepLabV3+ para clasificar las coberturas de la tierra en el complejo de páramos Tota-Bijagual-Mamapacha (TBM) en Colombia, utilizando imágenes Landsat 8 del periodo 2017 a 2019 y etiquetas del mapa nacional de coberturas 1:100 000 del IDEAM de 2018. Los resultados mostraron que U-Net++ alcanzó un kappa de 0,60, mientras que DeepLabV3+ obtuvo un kappa de 0,59. En las coberturas de páramo, U-Net++ logró un valor F1 del 78,43% para Herbazal y del 79,22% para Bosques, mientras que DeepLabV3+ alcanzó un valor F1 del 75% y 74,27%, respectivamente, confirmando el potencial de las CNNs para la clasificación de coberturas en estos ecosistemas. Aunque ambos modelos presentaron tiempos de procesamiento similares, el desbalance de clases y la dependencia de etiquetas consistentes afectaron su rendimiento en coberturas heterogéneas. Esta investigación establece una base metodológica para futuros estudios y sugiere abordar estas limitaciones para mejorar la eficiencia y la exactitud temática en la clasificación y monitoreo de ecosistemas de páramo.