El perfil aerodinámico es el componente principal de los vehículos voladores. Para vuelos a baja velocidad, se utilizan perfiles aerodinámicos de bajo número de Reynolds. La característica de los perfiles aerodinámicos de bajo número de Reynolds es una burbuja de separación laminar y un aumento asociado de la resistencia. Este documento presenta un marco para el diseño de un perfil aerodinámico de bajo número de Reynolds. Las contribuciones de la investigación propuesta son dobles. Primero, se diseña una red neuronal convolucional (CNN) para la predicción del coeficiente aerodinámico de perfiles aerodinámicos de bajo número de Reynolds. La generación de datos se discute en detalle y se selecciona XFOIL para obtener los coeficientes aerodinámicos. El rendimiento de la CNN se evalúa utilizando diferentes programadores de tasa de aprendizaje y optimizadores de tasa de aprendizaje adaptativa. El modelo entrenado puede predecir los coeficientes aerodinámicos con alta precisión. En segundo lugar, el modelo entrenado se utiliza con un algoritmo genético de clasificación no dominada (NSGA-II) para la optimización multiobjetivo del perfil aerodinámico de bajo número de Reynolds en un ángulo de ataque específico. Se realiza una optimización similar utilizando NSGA-II llamando directamente a XFOIL, para obtener los coeficientes aerodinámicos. Se comparan los frentes de Pareto de ambas optimizaciones y se concluye que la CNN propuesta puede replicar el Pareto real en considerablemente menos tiempo.