Al abordar el problema multifacético de la detección de entrada múltiple y salida múltiple (MIMO) en sistemas de comunicación inalámbrica, este trabajo destaca la necesidad apremiante de una mayor confiabilidad de detección bajo condiciones de canal variables y configuraciones de antena MIMO. Proponemos un método novedoso que establece un nuevo estándar para el despliegue profundo en la detección MIMO al integrar el método iterativo de gradiente conjugado con regularización de Tikhonov, combinando la adaptabilidad de las técnicas modernas de aprendizaje profundo con la robustez de la regularización clásica. A diferencia de las técnicas convencionales, nuestra estrategia trata el parámetro de regularización de Tikhonov, así como los coeficientes de tamaño de paso y dirección de búsqueda del método de gradiente conjugado (CG), como parámetros entrenables dentro del marco de aprendizaje profundo. Esto permite ajustes dinámicos basados en condiciones de canal variables y configuraciones de antena MIMO. El rendimiento de detección se mejora significativamente mediante el enfoque propuesto en una variedad de configuraciones MIMO y condiciones de canal, logrando consistentemente una tasa de error de bits (BER) y un error cuadrático medio mínimo normalizado (NMSE) más bajos en comparación con técnicas conocidas como DetNet y CG. El método propuesto tiene un rendimiento superior sobre CG y otros métodos basados en modelos, especialmente con un pequeño número de iteraciones. En consecuencia, los resultados de simulación demuestran la flexibilidad del enfoque propuesto, convirtiéndolo en una opción viable para sistemas MIMO con una variedad de configuraciones de antenas, órdenes de modulación y diferentes condiciones de canal.