La enfermedad de Parkinson (EP) es globalmente el trastorno del movimiento neurodegenerativo más común. Se caracteriza por una pérdida de neuronas dopaminérgicas en la sustancia negra del cerebro. Sin embargo, los métodos actuales para diagnosticar la EP en base a las características clínicas del parkinsonismo pueden llevar a diagnósticos erróneos. Por lo tanto, métodos no invasivos como los registros electroencefalográficos (EEG) de pacientes con EP pueden ser un biomarcador alternativo. En este estudio, se propone un modelo de aprendizaje profundo para el diagnóstico automatizado de la EP. Los registros EEG de 16 controles sanos y 15 pacientes con EP se utilizaron para el análisis. Utilizando la transformada de Gabor, los registros EEG se convirtieron en espectrogramas, que se utilizaron para entrenar el modelo de red neuronal convolucional bidimensional propuesto (2D-CNN). Como resultado, el modelo propuesto logró una alta precisión de clasificación del 99.46% (+/-0.73) para la clasificación de tres clases (controles sanos y pacientes con EP con y sin medicación) utilizando validación cruzada de diez veces. Esto indica el potencial del modelo propuesto para detectar automáticamente a los pacientes con EP y su estado de medicación simultáneamente. El modelo propuesto está listo para ser validado con una base de datos más grande antes de su implementación como una herramienta de diagnóstico asistido por computadora (CAD) para apoyo en decisiones clínicas.