En este estudio, se utiliza un enfoque basado en aprendizaje profundo para abordar problemas inversos que implican la inversión de un campo magnético y la identificación de la fuente relevante, dada la información del campo dentro de un subdominio específico. Se proponen tres técnicas diferentes: la primera se caracteriza por el uso de un autoencoder variacional condicional (CVAE) y una red neuronal convolucional (CNN); la segunda emplea el CVAE (específicamente su decodificador) y una red neuronal artificial profunda completamente conectada; mientras que la tercera (utilizada principalmente como comparación) utiliza una CNN que opera directamente en los datos disponibles sin el uso del CVAE. Estos métodos se aplican al problema magnetostático descrito en el problema de referencia TEAM 35, y se realiza un análisis comparativo entre ellos.