El aprendizaje profundo se utiliza en diversas aplicaciones debido a sus ventajas sobre los enfoques tradicionales de Aprendizaje Automático (ML) en tareas que abarcan el aprendizaje de patrones complejos, la extracción automática de características, la escalabilidad, la adaptabilidad y el rendimiento en general. Este documento propone un método de estimación de retraso de extremo a extremo (E2E) para redes 5G a través de técnicas de aprendizaje profundo (DL) basadas en Modelos de Mezcla Gaussiana (GMM). En el primer paso, se estiman los componentes de un GMM a través del algoritmo de Expectativa-Maximización (EM) y se utilizan posteriormente como datos etiquetados en una etapa de aprendizaje profundo supervisado. Se entrena un modelo de red neuronal multicapa utilizando los datos etiquetados y asumiendo diferentes números de observaciones de retraso E2E para cada muestra de entrenamiento. Se evalúan la precisión y el tiempo de cálculo del estimador de aprendizaje profundo propuesto basado en el Modelo de Mezcla Gaussiana (DLEGMM) para diferentes escenarios de red 5G. Los resultados de la simulación muestran que el DLEGMM supera al método GMM basado en el algoritmo EM, en términos de la precisión de las estimaciones de retraso E2E, aunque requiere un mayor tiempo de cálculo. El método de estimación se caracteriza para diferentes escenarios 5G, y cuando se compara con GMM, DLEGMM reduce el error cuadrático medio (MSE) obtenido con GMM entre 1.7 y 2.6 veces.