Inspirados por el reciente éxito del método de gradiente proximal (PGM) y los esfuerzos recientes para desarrollar un algoritmo inercial, proponemos un PGM inercial (IPGM) para el aprendizaje de diccionarios convolucionales (CDL) al optimizar conjuntamente un término de fidelidad de datos de norma y un término de dispersión que impone una penalización. Contrariamente a otros métodos de CDL, en el enfoque propuesto, el diccionario y las agujas se actualizan con una fuerza inercial por el PGM. Obtenemos una fórmula derivada novedosa para las agujas y el diccionario con respecto al término de fidelidad de datos. Al mismo tiempo, se diseña un paso de descenso de gradiente para agregar un término inercial. La operación proximal utiliza la operación de umbral para las agujas y proyecta el diccionario en una esfera de norma unitaria. Probamos la propiedad de convergencia del algoritmo IPGM propuesto en un caso de retroceso. Los resultados de la simulación muestran que el IPGM propuesto logra un mejor rendimiento que el PGM y los métodos basados en rebanadas que poseen la misma estructura y están optimizados utilizando el método de multiplicadores de dirección alternante (ADMM).