La adaptación de enlace (LA) ajusta los parámetros de transmisión a las condiciones del enlace radioeléctrico y, por lo tanto, juega un papel importante en las telecomunicaciones. Mejorar la LA está dentro de los requisitos para los sistemas de telecomunicaciones móviles de próxima generación, y al refinar la adaptación de enlace, se puede lograr una mayor eficiencia del canal (es decir, una tasa de datos aumentada gracias a un menor ancho de banda requerido). Además, al reemplazar los algoritmos tradicionales de LA, los sistemas de transmisión de radio pueden adaptarse mejor a un entorno dinámico. Hay varias desventajas en los enfoques actuales de vanguardia, incluyendo límites de decisión predefinidos y estáticos o depender de una única métrica de baja dimensión. Hoy en día, un enfoque ampliamente utilizado para manejar una variedad de variables de entrada relacionadas es una red neuronal (NN). Las NN son capaces de hacer uso de múltiples entradas, y cuando se combinan con el aprendizaje por refuerzo (RL), surge el enfoque denominado aprendizaje por refuerzo profundo (DRL). Usando DRL, se pueden considerar relaciones de parámetros más complejas para recomendar el esquema de modulación y codificación (MCS) utilizado en LA. Por lo tanto, este trabajo examina el potencial de DRL e incluye experimentos en diferentes canales. La principal contribución de este trabajo radica en el uso de algoritmos de DRL para LA, optimizados para el rendimiento basado en una matriz de observación de subportadoras y un sistema de retroalimentación de tasa de éxito de paquetes. Aplicamos los algoritmos Natural Actor-Critic (NAC) y Proximal Policy Optimization (PPO) en canales simulados con un posterior estudio de viabilidad en un canal real pregrabado. Los resultados empíricos producidos por experimentos en los canales examinados sugieren que el Aprendizaje por Refuerzo Profundo para la Adaptación de Enlace (DRLLA) ofrece un buen rendimiento indicado por una tasa de datos prometedora en el canal de ruido blanco gaussiano aditivo (AWGN), el canal no lineal de visión (NLOS) y un canal real pregrabado. Sin importar la degradación del canal, el agente es capaz de responder a los cambios en los niveles de relación señal-interferencia más ruido (SINR), como lo demuestra los cambios esperados en la tasa de datos efectiva.