En los últimos años, los UAVs de múltiples rotores se han convertido en herramientas valiosas en varios campos productivos, desde el entretenimiento hasta la agricultura y la seguridad. Sin embargo, durante su trayectoria de vuelo, a veces no realizan con precisión un conjunto específico de tareas, y se requiere la implementación de controladores de vuelo en estos vehículos para lograr un rendimiento exitoso. Por lo tanto, esta investigación describe el diseño de un controlador de posición de vuelo basado en Redes Neuronales Profundas y su posterior implementación para un UAV de múltiples rotores. Se desarrollan cinco arquitecturas de Redes Neuronales prometedoras basadas en una revisión exhaustiva de la literatura, incorporando LSTM, convolucional 1-D, agrupamiento y capas completamente conectadas. Luego, se construye un conjunto de datos utilizando los datos de rendimiento de un controlador de vuelo PID, abarcando diversas trayectorias con información transitoria y en estado estacionario, como posición, velocidad, aceleración y señales de salida del motor. La sintonización de hiperparámetros para cada tipo de arquitectura se realiza aplicando el algoritmo Hyperband. El mejor modelo obtenido (LSTMCNN) consiste en una combinación de capas LSTM y CNN en una dimensión. Esta arquitectura se compara con el controlador de vuelo PID en diferentes escenarios utilizando métricas de evaluación como tiempo de subida, sobreimpulso, error en estado estacionario y esfuerzo de control. Los hallazgos revelan que nuestros mejores modelos demuestran la exitosa generalización de tareas de control de vuelo. Mientras que nuestro mejor modelo es capaz de trabajar con un rango operativo más amplio que el controlador PID y ofrece respuestas escalonadas en el eje Y y el eje X con y similitud, respectivamente, dentro del rango operativo del PID. Este resultado abre posibilidades para el entrenamiento en línea eficiente de controladores de vuelo basados en Redes Neuronales, permitiendo el desarrollo de controladores adaptables a dominios de aplicación específicos.