El diseño conceptual de vehículos aéreos no tripulados (VANT) presenta desafíos multidisciplinarios significativos que requieren la optimización del rendimiento aerodinámico y estructural, la sigilosidad y la eficiencia de propulsión. Este trabajo aborda estos desafíos integrando redes neuronales profundas con un algoritmo genético multiobjetivo para optimizar configuraciones de VANT. El marco propuesto permite una evaluación integral de las alternativas de diseño al estimar métricas clave de rendimiento requeridas para diferentes requisitos operacionales. El proceso de diseño resultó en una mejora significativa en el tiempo computacional en comparación con métodos tradicionales, superando en más de tres órdenes de magnitud. Los hallazgos ilustran la capacidad del marco para optimizar diseños de VANT para una variedad de escenarios de misión, incluyendo tareas especializadas como inteligencia, vigilancia y reconocimiento (ISR), patrullas aéreas de combate (CAP) y Supresión de Defensas Aéreas Enemigas (SEAD). Esta flexibilidad y adaptabilidad se demostró a través de un estudio de caso, mostrando la efectividad del método para adaptar configuraciones de VANT a requisitos operacionales específicos mientras se equilibran los compromisos entre eficiencia aerodinámica, sigilosidad y peso estructural. Además, estos resultados subrayan el impacto transformador de integrar la inteligencia artificial en las primeras etapas del proceso de diseño, facilitando la creación rápida de prototipos e innovación en la ingeniería aeroespacial. En consecuencia, el trabajo actual demuestra el potencial de la optimización impulsada por IA para revolucionar el diseño de VANT al proporcionar una herramienta robusta y efectiva para resolver problemas complejos de ingeniería.