Las tecnologías de fabricación aditiva presentan una serie de ventajas, como alta flexibilidad, fabricación directa de CAD al producto final y técnicas de producción compactas, lo que las convierte en una opción atractiva para campos que van desde la medicina y la aeronáutica hasta el prototipado rápido y los conceptos de la Industria 4.0. Sin embargo, la fabricación aditiva también presenta una serie de desventajas, siendo las más notables la baja precisión dimensional, la baja calidad superficial y el comportamiento mecánico ortotrópico. Estas características están influenciadas por las propiedades del material y los parámetros del proceso utilizados durante la fabricación. Por lo tanto, es concebible un modelo predictivo para las características de los componentes fabricados aditivamente. Este artículo propone un estudio sobre la viabilidad de implementar Redes Neuronales Profundas para predecir la precisión dimensional y las características mecánicas de los componentes obtenidos a través del método de Modelado por Deposición Fundida utilizando datos empíricos adquiridos mediante metrología de alta precisión. El estudio se realiza en piezas fabricadas con materiales PETG y PLA con parámetros de proceso conocidos. Se entrenan diferentes arquitecturas de Redes Neuronales Profundas utilizando conjuntos de datos adquiridos mediante metrología de alta precisión, y su rendimiento se prueba comparando el error absoluto medio de las predicciones en los datos de entrenamiento y validación. Los resultados muestran una buena generalización del modelo y convergencia con alta precisión, lo que indica que un modelo predictivo es factible.