El aprendizaje profundo ha traído un progreso sustancial a la imagen médica, lo que ha resultado en mejoras continuas en los procedimientos de diagnóstico. A través de implementaciones de arquitectura de aprendizaje profundo, los profesionales de radiología logran la detección automatizada de condiciones patológicas, segmentación y clasificación con una precisión mejorada. La investigación aborda un problema de imagen médica clínica poco estudiado que implica la identificación y posicionamiento de balas dentro de imágenes de rayos X. El propósito es construir un sistema robusto de aprendizaje profundo que identificará y clasificará el trauma balístico en imágenes. Nuestra investigación examinó varios modelos de aprendizaje profundo que funcionaban ya sea como clasificadores o como detectores de objetos para desarrollar soluciones efectivas para la detección de trauma balístico en imágenes de rayos X. Los datos de investigación se desarrollaron replicando daños controlados por balas en radiografías de tórax, mientras se expandían a una gama más amplia de áreas anatómicas que incluyen las piernas, el abdomen y la cabeza. Algoritmos especiales de aprendizaje profundo pasaron por un proceso de optimización antes de que los investigadores mejoraran su capacidad para detectar y ubicar objetos. Se utilizaron múltiples sistemas computacionales para verificar los resultados, que mostraron la efectividad de la solución propuesta. Esta investigación proporciona nuevas perspectivas sobre la evaluación del trauma radiológico forense al desarrollar el primer sistema de aprendizaje profundo que detecta y clasifica automáticamente lesiones radiográficas relacionadas con armas de fuego. El primer sistema para radiología forense diseñado con aprendizaje profundo automatizado para clasificar heridas de bala en radiografías es presentado por esta investigación. Este enfoque ofrece nuevas formas de ver el trauma que es útil para el trabajo en clínicas y en la aplicación de la ley.