El ruido atmosférico ampliamente presente en sistemas de comunicación de muy baja frecuencia y baja frecuencia (VLF/LF) suele considerarse como un tipo de ruido impulsivo, que puede degradar el rendimiento de los métodos de procesamiento de señales basados en ruido gaussiano. Para resolver los problemas de entrenamiento de modelos difíciles y estimación de parámetros de ruido complejos bajo ruido impulsivo en otros esquemas de demodulación de señales de desplazamiento mínimo de clave (MSK), utilizamos redes neuronales convolucionales unidimensionales (1D-CNN) para reemplazar el integrador y el módulo de decisión en la demodulación coherente en lugar de todo el proceso de demodulación. Nuestro esquema conserva las operaciones que son beneficiosas para el entrenamiento de redes neuronales en el proceso de demodulación coherente convencional, y el uso de redes neuronales evita la estimación de parámetros de ruido. Para mejorar aún más el rendimiento de la tasa de error de símbolo (SER), eliminamos la conversión de símbolos antes de la generación de salidas y agregamos la conversión de símbolos antes de la modulación MSK. Los resultados de la simulación muestran que nuestro esquema con menos parámetros y cálculos tiene un mejor rendimiento SER que otros demoduladores de redes neuronales. El rendimiento SER de nuestro esquema supera el rendimiento del algoritmo de demodulación basado en una métrica de rama variada, cuyo rendimiento es muy cercano al rendimiento de máxima verosimilitud (ML). Y, nuestro esquema no requiere una estimación de parámetros de ruido compleja.