Los algoritmos de aprendizaje automático se han convertido en herramientas esenciales en experimentos de física moderna, permitiendo el análisis preciso y eficiente de grandes volúmenes de datos experimentales. El experimento de Materia Bariónica Comprimida (CBM) en la Instalación de Investigación de Antiprotones e Iones (FAIR) demanda métodos innovadores para procesar los vastos volúmenes de datos generados a altas tasas de colisión de hasta 10 MHz. Este estudio presenta un enfoque basado en aprendizaje profundo para mejorar la relación señal/fondo (S/B) para partículas dentro del marco del Buscador de Partículas Kalman (KF). Utilizando el paquete de Redes Neuronales Artificiales para la Selección de Eventos de Primer Nivel (ANN4FLES) de CBM, se diseñó y entrenó un modelo de perceptrón multicapa en datos simulados para clasificar candidatos a partículas como señal o fondo. El modelo logró más del 98% de precisión en la clasificación, permitiendo reducciones significativas en el fondo, en particular, una fuerte supresión del fondo combinatorio que carece de significado físico, mientras se preserva casi toda la señal de partículas. Este enfoque mejoró la relación S/B en un factor de 10.97, demostrando el potencial del aprendizaje profundo para complementar técnicas existentes de reconstrucción de partículas y contribuir al avance de métodos de análisis de datos en física de iones pesados.