En un sistema de múltiples portadoras (MC), los datos transmitidos se dividen en varios subportadoras como enfoque crucial para lograr altas tasas de datos, confiabilidad y eficiencia espectral. El aprendizaje profundo (DL) mejora los sistemas MC al mejorar la representación de la señal, lo que conduce a una transmisión de datos más eficiente y a una reducción de las tasas de error de bits. En este documento, proponemos un sistema MC respaldado por DL para operar en canales de desvanecimiento. Las redes neuronales profundas se utilizan para modelar el bloque de modulación, mientras que una red de unidades recurrentes con compuertas (GRU) se utiliza para modelar los bloques de demodulación, actuando como el codificador y decodificador dentro de una arquitectura de autoencoder (AE). El esquema propuesto, conocido como MC-AE, difiere de los sistemas basados en AE existentes al procesar directamente la información del estado del canal y la señal recibida de una manera completamente basada en datos, a diferencia de los métodos tradicionales que dependen de ecualizadores de canal. Este enfoque permite que MC-AE mejore las ganancias de diversidad y codificación en canales de desvanecimiento al optimizar simultáneamente el codificador y decodificador. En este experimento, evaluamos el rendimiento del modelo propuesto bajo condiciones de canal perfectas e imperfectas y lo comparamos con otros modelos. Además, evaluamos el rendimiento del sistema MC-AE frente a sistemas MC basados en modulación de índice. Los resultados demuestran que el sistema MC-AE basado en GRU supera a los demás.