El almacenamiento en caché proactivo de los contenidos más populares en la memoria caché de los puntos de acceso a la niebla (F-AP) se considera una solución prometedora para la comunicación celular 5G y más allá para abordar los problemas relacionados con la latencia causados por la demanda sin precedentes de tráfico de datos multimedia. Sin embargo, sigue siendo un desafío predecir correctamente el contenido del usuario y almacenarlo de manera eficiente en la memoria caché de los F-AP, ya que la preferencia del usuario es dinámica. En este artículo, para resolver este problema en cierta medida, se propone el método de almacenamiento en caché de contenido basado en aprendizaje profundo (DLCC) debido a los avances recientes en aprendizaje profundo. En DLCC, se explota un método basado en CNN 2D para formular el modelo de almacenamiento en caché. Los resultados de la simulación en términos de precisión de aprendizaje profundo (DL), error cuadrático medio (MSE), la tasa de aciertos de la caché y el retraso del sistema en general se muestran para demostrar que el método propuesto supera el rendimiento de las estrategias de almacenamiento en caché basadas en DL conocidas, así como la estrategia de almacenamiento en caché cooperativo basado en aprendizaje de transferencia (LECC), reemplazo aleatorio (RR) y la distribución de probabilidad de Zipf.