Recientemente, la detección de comunidades ha surgido como un área de investigación prominente en el análisis de estructuras de redes complejas. Los modelos de detección de comunidades basados en factorización de matrices no negativas (NMF) son superficiales y no logran descubrir completamente la estructura interna de las redes complejas. Por lo tanto, este artículo presenta una nueva factorización de matrices no negativas simétrica con autoencoders profundos (CSDNMF) como solución a este problema. El modelo posee las siguientes ventajas: (1) Al integrar un autoencoder profundo para discernir los atributos latentes que conectan la red original y las asignaciones de comunidades, captura hábilmente información jerárquica. (2) La introducción de un regularizador de grafo facilita una comprensión exhaustiva de la estructura de la comunidad inherente dentro de la red objetivo. (3) Al integrar un regularizador de simetría, se aumenta la capacidad del modelo para aprender redes no dirigidas, facilitando así la detección precisa de la simetría dentro de la red objetivo. El modelo CSDNMF propuesto muestra un rendimiento superior en la detección de comunidades en comparación con los modelos de vanguardia, como se demuestra en ocho resultados experimentales realizados en redes del mundo real.