Las partículas en suspensión, particularmente el PM, representan una amenaza significativa para la salud pública debido a su capacidad para dispersarse ampliamente y su impacto perjudicial en los sistemas respiratorio y circulatorio al ser inhaladas. En consecuencia, es imperativo mantener un monitoreo y evaluación regular de los niveles de partículas en suspensión para anticipar eventos de contaminación del aire y mitigar rápidamente sus efectos adversos. Sin embargo, predecir la calidad del aire es inherentemente complejo, dada la multitud de variables que la influyen. Los modelos de aprendizaje profundo, reconocidos por su capacidad para capturar relaciones no lineales, ofrecen un enfoque prometedor para abordar este desafío, con arquitecturas híbridas que demuestran un rendimiento mejorado. Este estudio tiene como objetivo desarrollar y evaluar un modelo híbrido que integre Redes Neuronales Convolucionales (CNN) y Redes Neuronales Recurrentes (RNN) para pronosticar los niveles de PM en India, Milán y Frankfurt. Un análisis comparativo con técnicas establecidas de aprendizaje profundo y aprendizaje automático sustenta las capacidades predictivas superiores del modelo propuesto CNN-RNN. Los hallazgos subrayan su potencial como una herramienta efectiva para la predicción de la calidad del aire, con implicaciones para la toma de decisiones informadas y estrategias de intervención proactivas para salvaguardar la salud pública.