La detección de puntos de cruce por cero es necesaria para establecer un rendimiento consistente en varias aplicaciones del sistema de energía, como la sincronización de red, conversión de energía y protección de interruptores. En este documento, se detectan los puntos de cruce por cero de una señal senoidal utilizando redes neuronales profundas. Para entrenar y evaluar el modelo de red neuronal profunda, se desarrollan nuevos conjuntos de datos para señales senoidales con niveles de ruido del 5% al 50% y distorsión armónica del 10% al 50%. Este estudio completo se implementa en Google Colab utilizando el marco de aprendizaje profundo Keras. Los resultados muestran que el modelo propuesto de aprendizaje profundo es capaz de detectar puntos de cruce por cero en una señal senoidal distorsionada con buena precisión.