Este documento aborda el panorama en evolución de la tecnología de comunicación, enfatizando el papel fundamental de las redes 5G y las emergentes redes 6G en la satisfacción de la creciente demanda de transmisión de datos de alta velocidad y precisión. Profundizamos en los avances en la tecnología 5G, particularmente en la implementación de frecuencias de onda milimétrica (mmWave) que oscilan entre 30 y 300 GHz. Estos avances son fundamentales para mejorar las aplicaciones que requieren una transmisión y recepción masiva de datos, facilitadas por sistemas MIMO masivos (múltiple entrada múltiple salida). Mirando hacia el futuro, este documento pronostica la necesidad de tecnologías de transmisión de datos más rápidas, desplazando el enfoque hacia el desarrollo de redes 6G. Se proyecta que estas redes futuras empleen sistemas MIMO ultra-masivos en la banda de terahercios, operando dentro de rangos de frecuencia de 0.1-10 THz. Una parte significativa de nuestra investigación está dedicada a explorar técnicas avanzadas de detección de señales, ayudando a mitigar el impacto de la interferencia y mejorar la precisión en la transmisión de datos, permitiendo una comunicación más eficiente, incluso en entornos con altos niveles de ruido, e incluyendo métodos de forzado cero (ZF) y de error cuadrático medio mínimo (MMSE), que forman la base de nuestro enfoque propuesto. Además, la detección de señales contribuye al desarrollo de nuevas tecnologías de comunicación como 5G y 6G, que requieren una alta eficiencia en la transmisión de datos y velocidades de respuesta rápidas. La contribución principal de este estudio radica en la aplicación de aprendizaje profundo a la detección de señales en sistemas MIMO ultra-masivos, un componente crítico de la tecnología 6G. Comparamos este enfoque con los métodos de aprendizaje automático basados en ELMx existentes, centrándonos en la eficiencia algorítmica y el rendimiento computacional. Nuestro análisis comparativo incluyó la máquina de aprendizaje extremo regularizada (RELM) y la máquina de aprendizaje extremo robusta a valores atípicos (ORELM), en contraste con los métodos ZF y MMSE. Los resultados de simulación indicaron la superioridad de nuestra red neuronal convolucional para la detección de señales (CNN-SD) sobre los métodos tradicionales basados en ELMx, ZF y MMSE, particularmente en términos de capacidad de canal y tasa de error de bits. Además, demostramos la eficiencia computacional y la complejidad reducida del método CNN-SD, subrayando su idoneidad para futuros sistemas MIMO expansivos.