El análisis cromatográfico de aceites es un paso importante para la identificación del petróleo biodegradado a través de la visualización de picos y la interpretación de fenómenos que explican la geoquímica del petróleo. Sin embargo, los análisis de los componentes del cromatograma por parte de los geoquímicos son comparativos, visuales y, en consecuencia, lentos. Este artículo tiene como objetivo mejorar el proceso de análisis del cromatograma realizado durante la interpretación geoquímica al proponer el uso de Redes Neuronales Convolucionales (CNN), que son técnicas de aprendizaje profundo ampliamente utilizadas por grandes empresas tecnológicas. Se utilizaron doscientos veintiún imágenes cromatográficas de aceite de diferentes cuencas de todo el mundo (Brasil, EE. UU., Portugal, Angola y Venezuela). Se utilizó el software de código abierto Orange Data Mining para procesar imágenes mediante CNN. El algoritmo CNN extrae, píxel por píxel, características recurrentes de las imágenes a través de operaciones convolucionales. Posteriormente, las características recurrentes se agrupan en grupos de características comunes. El resultado del entrenamiento obtuvo una precisión (CA) del 96.7% y un área bajo la curva ROC (Curva Característica Operativa del Receptor) (AUC) del 99.7%. A su vez, el resultado de la prueba obtuvo un CA del 97.6% y un AUC del 99.7%. Este trabajo sugiere que el procesamiento de imágenes cromatográficas de petróleo a través de CNN puede convertirse en una nueva herramienta para el estudio de la geoquímica del petróleo, ya que los cromatogramas pueden ser cargados, leídos, agrupados y clasificados de manera más eficiente y rápida que las evaluaciones aplicadas en métodos clásicos.