Ovaj rad predstavlja metodu klasifikacije šumom narušenih nestacionarnih signala u vremensko-frekvencijskoj domeni korištenjem umjetne inteligencije. Naime, signali u obliku vremenskih nizova transformirani su nakon predobrade u vremensko-frekvencijske prikaze (TFR) iz Cohenove klase, rezultirajući TFR slikama korištenim kao ulaz u algoritme strojnoga učenja. Korištene su tri suvremene metode dubokoga učenja u obliku 2D arhitektura konvolucijskih neuronskih mreža (CNN) (ResNet-101, Xception i EfficientNet). Metoda je demonstrirana na zahtjevnom problemu detekcije signala gravitacijskih valova (GW) u intenzivnom stvarnom i nestacionarnom šumu koji nema karakteristike ni Gaussovog ni bijelog šuma. Rezultati pokazuju izvrsne performanse klasifikacije predloženoga pristupa s obzirom na točnost klasifikacije, površinu ispod krivulje značajke djelovanja prijamnika (ROC AUC), odziv, preciznost, F1-mjeru i površinu ispod krivulje preciznost-odziv (PR AUC). Nova metoda nadmašuje osnovni model strojnoga učenja treniran na podatcima u obliku vremenskih nizova s obzirom na razmatrane metrike. Istraživanje pokazuje da se predložena tehnika može proširiti i na različite druge primjene koje uključuju nestacionarne podatke u intenzivnom šumu.