Los métodos de modelado matemático tienen varias limitaciones al abordar la física compleja cuyos cálculos requieren una cantidad considerable de tiempo. Este es el caso de la óptica adaptativa, una serie de técnicas utilizadas para procesar y mejorar la resolución de imágenes astronómicas adquiridas de telescopios terrestres debido a las aberraciones introducidas por la atmósfera. Por lo general, con la óptica adaptativa, el frente de onda se mide con sensores y luego se reconstruye y corrige mediante un espejo deformable. Una mejora en la reconstrucción del frente de onda se presenta en este trabajo, utilizando redes neuronales convolucionales (CNN) para datos obtenidos del Sensor de Frente de Onda de Imagen Pupilar Tomográfica (TPI-WFS). El TPI-WFS es un sensor de curvatura modificado, diseñado para medir turbulencias atmosféricas con imágenes de frente de onda desenfocadas. Las CNN son técnicas bien conocidas por su capacidad para modelar y predecir sistemas complejos. Los resultados obtenidos del reconstructor presentado, llamado Redes Neuronales Convolucionales en Imágenes Pupilares Desenfocadas (CRONOS), se comparan con los resultados del software de Reconstrucción de Frente de Onda (WFR), desarrollado inicialmente para las mediciones de TPI-WFS, basado en el ajuste de mínimos cuadrados. El rendimiento de ambas técnicas de reconstrucción se prueba para 153 modos de Zernike y con ruido simulado. En general, CRONOS mostró un mejor rendimiento que la reconstrucción de WFR en la mayoría de los perfiles turbulentos, con mejoras significativas encontradas para los perfiles más turbulentos; en general, obteniendo alrededor del 7% de mejoras en la restauración del frente de onda y 18% de mejoras en Strehl.