Las simulaciones de grandes remolinos y numéricas directas generan vastos conjuntos de datos que son difíciles de interpretar, incluso para geometrías simples a bajos números de Reynolds. Esto ha aumentado la importancia de los métodos automáticos para extraer características significativas para entender fenómenos físicos. Las técnicas tradicionales como la descomposición ortogonal adecuada (POD) se han utilizado ampliamente para este propósito. Sin embargo, los recientes avances en la potencia computacional han permitido el desarrollo de enfoques de reducción modal impulsados por datos. Este artículo discute cuatro aplicaciones de redes neuronales profundas para aplicaciones aerodinámicas, incluyendo un autoencoder de red neuronal convolucional, para analizar campos de flujo no estacionarios alrededor de un cilindro circular a Re = 100 y una capa límite supersónica con ondas de Tollmien-Schlichting. Los resultados del autoencoder son comparables a los obtenidos con POD y POD espectral. Además, se demuestra que el autoencoder puede comprimir perfiles de capa límite hipersónica estacionaria en un espacio vectorial de baja dimensión que está abarcado por el gradiente de presión y la relación de temperatura de la pared. Este artículo también propone un modelo de red neuronal convolucional para estimar perfiles de velocidad y temperatura en diferentes condiciones de flujo hipersónico.