El grosor del hielo es un parámetro clave para las estimaciones de masa de glaciares y simulaciones de dinámica glacial. Se han desarrollado múltiples modelos físicos por glaciólogos para estimar el grosor del hielo de los glaciares. Sin embargo, obtener parámetros internos y basales de los glaciares requeridos por los modelos físicos es un desafío, lo que a menudo conduce a modelos simplificados que luchan por capturar las características no lineales del flujo de hielo, resultando en incertidumbres significativas. Para abordar esto, este estudio propone un modelo de aprendizaje profundo basado en una red neuronal convolucional (CNN) para la estimación del grosor del hielo de los glaciares, denominado Modelo de Estimación de Grosor de Hielo de Glaciar Denso y Atento a Coordenadas (CADGITE). Basado en mediciones in situ del grosor del hielo en los Alpes suizos, se diseña una CNN para estimar el grosor del hielo de los glaciares incorporando una nueva arquitectura que incluye un Bloque de Atención de Coordenadas Residuales junto con un Bloque Conectado Denso, utilizando la distancia a los límites del glaciar como complemento a las entradas que incluyen velocidad superficial, pendiente y hipsometría. Tomando las mediciones de radar de penetración terrestre (GPR) como referencia, el modelo propuesto logra una desviación absoluta media (MAD) de 24.28 m y un error cuadrático medio (RMSE) de 37.95 m en Suiza, superando a los modelos físicos convencionales. Cuando se aplica a 14 glaciares en Asia de Alta Montaña, el modelo logra un MAD de 20.91 m y un RMSE de 27.26 m en comparación con las mediciones de referencia, mostrando también un mejor rendimiento que los modelos físicos convencionales. Estas comparaciones demuestran la buena precisión y la transferibilidad interregional de nuestro enfoque, destacando el potencial de utilizar métodos basados en aprendizaje profundo para la estimación del grosor del hielo de glaciares a mayor escala.