Este artículo presenta dos enfoques de aprendizaje profundo para localizar fuentes de emisiones acústicas (EA) dentro de placas metálicas con características geométricas, como refuerzos conectados por remaches. En particular, se utiliza una pila de autoencoders y una red neuronal convolucional. La idea es aprovechar los patrones de reflexión y reverberación de las formas de onda de EA, así como sus características dispersivas y multimodales, para localizar sus fuentes con solo un sensor. Específicamente, este artículo divide la estructura en múltiples zonas y encuentra la zona en la que ocurre cada fuente. Para entrenar, validar y probar las redes de aprendizaje profundo, se simularon experimentalmente grietas por fatiga mediante pruebas de ruptura de lápiz de Hsu-Nielsen. Las rupturas de lápiz se llevaron a cabo en la superficie y en los bordes de la placa. Los resultados muestran que ambas redes de aprendizaje profundo pueden aprender a mapear las señales de EA a sus fuentes. Estos resultados demuestran que los patrones de reverberación de las fuentes de EA contienen información pertinente sobre la ubicación de sus fuentes.