La reducción de moteado en imágenes de Radar de Apertura Sintética (SAR) es un desafío crucial para un análisis e interpretación efectivos de imágenes en aplicaciones de teledetección. Este estudio propone un enfoque novedoso basado en aprendizaje profundo utilizando arquitecturas de autoencoders para el despeckling de imágenes SAR, incorporando análisis de varianza (ANOVA) para la optimización de hiperparámetros. La investigación aborda brechas significativas en métodos existentes, como la falta de una evaluación rigurosa del modelo y la ausencia de técnicas sistemáticas de optimización para modelos de aprendizaje profundo en el procesamiento de imágenes SAR. La metodología implica entrenar 240 modelos de autoencoder en datos SAR del mundo real, con métricas de rendimiento evaluadas utilizando Error Cuadrático Medio (MSE), Índice de Similitud Estructural (SSIM), Relación Señal-Ruido Pico (PSNR) y Número Equivalente de Looks (ENL). Al emplear la optimización de la frontera de Pareto, el estudio identifica modelos que equilibran eficazmente el rendimiento de eliminación de ruido con la preservación de la fidelidad de la imagen. Los resultados demuestran mejoras sustanciales en la reducción de moteado y calidad de imagen, validando la efectividad del enfoque propuesto. Este trabajo avanza en la aplicación del aprendizaje profundo en el desenfoque de imágenes SAR, ofreciendo un marco integral para la evaluación y optimización del modelo.