Este trabajo tiene como principal objetivo la clasificación de imágenes digitales mediante una metodología basada en una nueva transformada integral llamada “Transformada Radial-Fraccional de Fourier” y la correlación de Pearson. Dicha metodología permite clasificar imágenes digitales sin importar la posición, escala y rotación del objeto contenido en la imagen. Al aplicar la transformada Radial-Fraccional de Fourier a una imagen de M×N pixeles se obtienen cuatro vectores de n elementos denominados “firmas”, posteriormente estas firmas son utilizadas para la clasificación de la imagen. Para probar la solidez de dicha metodología, se utilizaron imágenes de distintas especies de fitoplancton en escala de grises, donde éstas fueron modificadas por distintas transformaciones, tales como: escalamiento, rotación, ruido aditivo, ruido impulsivo e iluminación no homogénea. Esta metodología utiliza la transformada fraccional de Fourier por lo que es necesario determinar un orden óptimo de dicha transformada. El orden óptimo se obtiene al calcular las firmas de una imagen utilizando distintos órdenes de la transformada fraccional de Fourier y realizar auto correlaciones no normalizadas. El orden que genere el mayor valor de auto correlación será el orden óptimo para cada firma. Una vez conocido el orden óptimo para cada firma de cada imagen, fue posible realizar correlaciones de Pearson para la clasificación de imágenes de las especies de fitoplancton. Considerando las mejores firmas para cada imagen de referencia al combinar transformaciones de escala y rotación, la metodología mostrada en este trabajo alcanza una especificidad del 98.15%, una exactitud del 97.64%, una sensibilidad del 84.06% y una precisión del 69.83%.This work aims to classify digital images using a methodology based on a new integral transform called Radial-Fractional Fourier Transform and Pearson's correlation. This methodology allows classifying digital images regardless of the position, scale, and rotation of the object contained in the picture. By applying the Radial-Fractional Fourier transform to a M×N pixels image, four vectors of n elements called “signatures” are obtained. Later, these signatures are used to classify the image. This methodology used grayscale images of different phytoplankton species to test the robustness. They were modified by other transformations, such as scaling, rotation, additive noise, impulsive noise, and inhomogeneous lighting. This methodology uses the fractional Fourier transform, so it is necessary to determine an optimal order of said transform. The optimal order is obtained by calculating the signatures of an image using different orders of the fractional Fourier transform and performing non-normalized autocorrelations. The order that generates the highest autocorrelation value will be the optimal order for each signature. When we knew the optimal order for each signature of each image, it was possible to perform Pearson correlations for the classification of pictures of the phytoplankton species. Considering the best signatures for each reference image when combining scale and rotation transformations, the methodology shown in this work achieves a specificity of 98.15%, an accuracy of 97.64%, a sensitivity of 84.06% and a precision of 69.83%.