La expansión del sobrevuelo de la aeronave durante la instalación de nuevos almacenes bajo las alas presenta desafíos significativos, particularmente debido al fenómeno del flutter aeroelástico. La modelización precisa del comportamiento aeroelástico a menudo requiere pruebas de vuelo, lo que conlleva riesgos debido a las posibles consecuencias catastróficas de alcanzar el punto de flutter. Los métodos tradicionales, como los barridos de frecuencia, son efectivos pero requieren una exposición prolongada a condiciones de flutter, lo que los hace menos adecuados para validaciones de vuelo transónico. Este documento presenta un enfoque robusto de aprendizaje profundo para procesar señales de permanencia sinusoidal de pruebas de vuelo de flutter aeroelástico, caracterizadas por longitudes de datos cortas (menos de 5 s) y bajas frecuencias (menos de 10 Hz). Exploramos la viabilidad preliminar de diferentes redes de aprendizaje profundo y comparamos su rendimiento con métodos existentes como el algoritmo PRESTO y la estimación de Búsqueda de Ondas de Laplace. Los algoritmos de aprendizaje profundo demuestran una precisión y robustez sustanciales, proporcionando una identificación de parámetros confiable para el análisis de flutter mientras reducen significativamente el tiempo pasado cerca de condiciones de flutter. Aunque los resultados con las redes entrenadas muestran menos precisión que el algoritmo PRESTO, son más precisos que la estimación de Ondas de Laplace, y los resultados son lo suficientemente prometedores como para justificar una investigación más extensa en esta área. Este enfoque se valida utilizando tanto datos sintéticos como señales reales de pruebas de vuelo del F-18, lo que destaca su potencial para análisis en tiempo real y una aplicabilidad más amplia en pruebas aeroelásticas.