El trastorno del espectro autista (TEA) es una enfermedad neurológica caracterizada por déficits en la cognición, actividades físicas y habilidades sociales. No hay un medicamento específico para tratar esta enfermedad; solo la intervención temprana puede mejorar la funcionalidad cerebral. Dado que no hay una prueba médica para identificar el TEA, el diagnóstico puede ser desafiante. Para determinar un diagnóstico, los médicos consideran el comportamiento del niño y la historia del desarrollo. El rostro humano puede ser utilizado como biomarcador ya que es uno de los posibles reflejos del cerebro y, por lo tanto, puede ser utilizado como una herramienta simple y práctica para un diagnóstico temprano. Este estudio utiliza varios enfoques de aprendizaje profundo basados en redes neuronales convolucionales (CNN) para detectar niños autistas utilizando la imagen facial. Se realiza un estudio empírico para seleccionar el mejor optimizador y conjunto de hiperparámetros para lograr una mejor precisión de predicción utilizando el modelo CNN. Después de entrenar y validar con la configuración optimizada, el modelo Xception modificado demuestra el mejor rendimiento al lograr una precisión del 95% en el conjunto de pruebas, mientras que VGG19, ResNet50V2, MobileNetV2 y EfficientNetB0 lograron una precisión del 86.5%, 94%, 92% y 85.8%, respectivamente. Nuestros resultados computacionales preliminares demuestran que nuestros enfoques de transferencia de aprendizaje superaron a los métodos existentes. Nuestro modelo modificado puede ser utilizado para ayudar a médicos y profesionales en la validación de su cribado inicial para detectar niños con la enfermedad del TEA.