El método de tránsito permite la detección y caracterización de sistemas planetarios mediante el análisis de curvas de luz estelar. Las redes neuronales convolucionales parecen ofrecer una solución viable para automatizar estos análisis. En esta investigación, se presentan dos modelos de redes neuronales convolucionales 1D, que trabajan con curvas de luz simuladas en las que se inyectaron señales similares a tránsitos. Un modelo opera en curvas de luz completas y estima el período orbital, y el otro opera en curvas de luz plegadas por fases y estima el semieje mayor de la órbita y el cuadrado de la relación radio planeta-estrella. Ambos modelos fueron probados en datos reales de curvas de luz de TESS con planetas confirmados para asegurar que pueden trabajar con datos reales. Los resultados obtenidos muestran que las CNN 1D son capaces de caracterizar exoplanetas en tránsito a partir de la curva de luz sin tendencia de su estrella anfitriona, y además, reducir tanto el tiempo requerido como los costos computacionales en comparación con los algoritmos actuales de detección y caracterización.