La entrada óptima de vehículos hipersónicos requiere alcanzar objetivos específicos de misión bajo restricciones complejas de dinámica de vuelo no lineales. El desafío radica en la generación rápida de trayectorias de vuelo óptimas o casi óptimas con cambios significativos en las condiciones iniciales de vuelo durante la entrada. Las Redes Neuronales Profundas (DNNs) han demostrado la capacidad de capturar la mapeo no lineal inherente entre estados y acciones óptimas en problemas de control complejos. Este artículo se centra en la investigación y evaluación exhaustiva de un método basado en DNN para la generación de trayectorias de vuelo hipersónico en tres dimensiones. La red está diseñada utilizando validación cruzada para asegurar su rendimiento, permitiéndole aprender el mapeo entre estados de vuelo y acciones óptimas. Dado que el proceso de entrenamiento que consume tiempo se realiza fuera de línea, la red neuronal entrenada puede generar un único comando de control óptimo en aproximadamente 0.5 milisegundos en una PC, facilitando aplicaciones a bordo. Con las ventajas en capacidad de mapeo y velocidad de cálculo de las DNNs, este método puede generar rápidamente comandos de acción de control basados en información de estado de vuelo en tiempo real del modelo DNN. Los resultados de simulación demuestran que el método propuesto mantiene un alto nivel de precisión incluso en escenarios donde las condiciones iniciales de vuelo (incluyendo altitud, velocidad y ángulo de trayectoria de vuelo) se desvían de sus valores nominales, y tiene cierta capacidad de generalización.