La creciente prevalencia de la diabetes a nivel mundial requiere avances en diagnósticos no invasivos, particularmente para la detección temprana de anomalías cardiovasculares asociadas con la condición. Este estudio explora la eficacia del Análisis de Onda de Pulso (PWA) para distinguir entre individuos diabéticos y no diabéticos a través del examen morfológico de las formas de onda de presión del pulso. La investigación se desarrolla en cuatro fases: acumulación de datos, preprocesamiento, construcción del modelo de Red Neuronal Convolucional (CNN) y evaluación del rendimiento. Los datos se obtuvieron utilizando un monitor multiparámetro para pacientes, resultando en 2000 ondas de pulso divididas equitativamente entre individuos sanos y aquellos con diabetes. Estos se utilizaron para entrenar, validar y probar tres arquitecturas de CNN distintas: la CNN convencional, el Grupo de Geometría Visual (VGG16) y las Redes Residuales (ResNet18). La precisión, la exactitud, el recall y la puntuación F1 midieron la competencia de cada modelo. La CNN demostró una precisión de entrenamiento del 82.09% y una precisión de prueba del 80.6%. El VGG16, con su estructura más profunda, superó la línea base con precisiones de entrenamiento y prueba del 90.2% y 86.57%, respectivamente. ResNet18 destacó, logrando una precisión de entrenamiento del 92.50% y una precisión de prueba del 92.00%, lo que indica su robustez en el reconocimiento de patrones dentro de los datos de ondas de pulso. La implementación del aprendizaje profundo para el cribado de diabetes marca un progreso, sugiriendo un uso clínico y futuros estudios en conjuntos de datos más grandes para su perfeccionamiento.