La transferencia de energía inalámbrica (WPT) se ha convertido en una característica crucial en numerosos dispositivos electrónicos, electrodomésticos y vehículos eléctricos. Sin embargo, los métodos de diseño tradicionales para WPT sufren de numerosas desventajas, como cálculos que consumen mucho tiempo y altos conteos de errores debido a parámetros de modelo inexactos. A medida que la inteligencia artificial (IA) continúa ganando tracción en diversas industrias, su capacidad para proporcionar decisiones y soluciones rápidas la hace muy atractiva para optimizaciones del sistema. En este documento, se propone un método para optimizar los parámetros de WPT basado en el aprendizaje automático. La red neuronal convolucional se adapta para entrenar y predecir el rendimiento de un par de bobinas acopladas bajo un conjunto de parámetros de entrada. Los parámetros de rendimiento incluyen el mapa de distribución del campo magnético espacial, el factor de calidad, el valor de inductancia y el valor de inductancia mutua, que son críticos para determinar la eficiencia y seleccionar los parámetros de bobina óptimos como el número de vueltas y el diámetro del alambre. Además, el mapa de distribución del campo magnético espacial también es útil para identificar el cumplimiento del diseño con las normas de seguridad del campo electromagnético. Los resultados del entrenamiento revelan que el método propuesto tarda un promedio de 3.2 ms con un error de predicción de imagen normalizado de 0.0034 para calcular los resultados de un conjunto de parámetros, en comparación con un promedio de 23.74 s a través de COMSOL. Esto representa un ahorro significativo de tiempo computacional manteniendo una precisión computacional aceptable.