La depresión es uno de los trastornos de salud mental más comunes en el mundo, afectando a millones de personas. La detección temprana de la depresión es crucial para una intervención médica efectiva. Las redes multimodales pueden ayudar en gran medida en la detección de la depresión, especialmente en situaciones en las que los pacientes no siempre son conscientes o capaces de expresar sus síntomas. Al analizar datos de texto y audio, estas redes pueden identificar automáticamente patrones en el habla y el comportamiento que indican un estado depresivo. En este estudio, proponemos dos redes de fusión de información multimodal: fusión temprana y fusión tardía. Estas redes fueron desarrolladas utilizando capas de redes neuronales convolucionales (CNN) para aprender patrones locales, una red neuronal LSTM bidireccional (Bi-LSTM) para procesar secuencias y un mecanismo de autoatención para mejorar el enfoque en partes clave de los datos. Se utilizaron los conjuntos de datos DAIC-WOZ y EDAIC-WOZ para los experimentos. Los experimentos compararon las métricas de precisión, recall, f1-score y exactitud para los casos de uso de fusión de datos multimodales temprana y tardía, y encontraron que la red multimodal de fusión de información temprana logró mejores resultados de exactitud de clasificación. En el conjunto de datos de prueba, esta red logró un f1-score de 0.79 y una exactitud de clasificación general de 0.86, lo que indica su efectividad en la detección de la depresión.