En este documento, proponemos dos esquemas de aumento de datos para la arquitectura de aprendizaje profundo que se pueden utilizar para estimar directamente la ubicación del usuario en un entorno interior utilizando el seguimiento de teléfonos móviles y huellas electrónicas basadas en puntos de referencia y puntos de acceso. Usando un modelo preentrenado, el enfoque de aprendizaje profundo puede reducir significativamente el tiempo de recopilación de datos, mientras que el tiempo de ejecución también se reduce significativamente. Los resultados numéricos indican que una base de datos de entrenamiento aumentada que contenga mediciones de siete días es suficiente para generar un rendimiento aceptable utilizando un modelo preentrenado. Los resultados experimentales muestran que los esquemas de aumento propuestos pueden lograr una precisión de prueba del 89.73% y un error de ubicación promedio tan bajo como 2.54 m. Por lo tanto, los esquemas propuestos demuestran la viabilidad del aumento de datos utilizando un sistema de localización interior basado en una red neuronal profunda (DNN) que reduce la complejidad requerida para su uso en dispositivos móviles.