La previsión precisa de la intensidad de la precipitación es crucial para una gestión efectiva de inundaciones y sistemas de alerta temprana. Este estudio evalúa el rendimiento de los modelos de red neuronal convolucional (CNN) y de memoria a corto y largo plazo (LSTM) en la predicción de la intensidad de la precipitación horaria utilizando datos de la estación Sainte Catherine de la Jacques Cartier cerca de la ciudad de Québec. Los modelos predicen los niveles de precipitación de una a seis horas por adelantado, que se clasifican en intensidades de precipitación ligera, moderada, fuerte y muy fuerte. Nuestra metodología involucró la recopilación de datos de precipitación horaria, la definición de combinaciones de entrada para la previsión a múltiples pasos y la utilización de modelos CNN y LSTM. El rendimiento de estos modelos se evaluó a través de evaluaciones cualitativas y cuantitativas. Los hallazgos clave revelan que el modelo LSTM sobresalió en la previsión a corto plazo (1HA a 2HA) y a largo plazo (3HA a 6HA), con valores R más altos (hasta 0.999) y valores (hasta 0.999), mientras que el modelo CNN fue más eficiente computacionalmente, con valores AICc más bajos (por ejemplo, -16,041.1 para 1HA). El análisis de errores muestra que la CNN demostró mayor precisión en las categorías de fuerte y muy fuerte, con un error relativo más bajo, mientras que el LSTM tuvo un mejor rendimiento en las categorías ligera y moderada. El LSTM superó a la CNN en eventos de baja y alta intensidad, pero la CNN mostró un mejor rendimiento para eventos de precipitación significativos con tiempos de anticipación más cortos. En general, ambos modelos fueron adecuados, con el LSTM proporcionando mejor precisión para pronósticos extendidos y la CNN ofreciendo eficiencia para predicciones inmediatas, destacando sus roles complementarios en la mejora de los sistemas de alerta temprana y las estrategias de gestión de inundaciones.