El trastorno del espectro autista (TEA) es un trastorno del desarrollo que abarca dificultades en la comunicación (tanto verbal como no verbal), habilidades sociales y comportamientos repetitivos. El diagnóstico del trastorno del espectro autista generalmente implica procedimientos y técnicas especializadas, que pueden ser largos y costosos. La precisión y eficiencia del diagnóstico dependen de la experiencia de los especialistas y de los métodos diagnósticos empleados. Para abordar la creciente necesidad de un diagnóstico temprano, rápido, rentable y preciso del trastorno del espectro autista, se ha buscado métodos avanzados e inteligentes que puedan clasificar automáticamente el trastorno. El aprendizaje automático ofrece técnicas sofisticadas para construir clasificadores automatizados que pueden ser utilizados por usuarios y clínicos para mejorar la precisión y eficiencia en el diagnóstico. Las trayectorias de seguimiento ocular han surgido como una herramienta cada vez más utilizada en clínicas de trastorno del espectro autista. Esta metodología examina los procesos atencionales mediante la medición cuantitativa de los movimientos oculares. Su precisión, facilidad de uso y rentabilidad la convierten en una plataforma prometedora para desarrollar biomarcadores para su uso en ensayos clínicos para el trastorno del espectro autista. La detección del trastorno del espectro autista se puede lograr observando los patrones atípicos de atención visual de los niños con el trastorno en comparación con los niños en desarrollo típico. Este estudio propone un modelo de aprendizaje profundo, conocido como T-CNN-Trastorno del Espectro Autista (T-CNN-TEA), que utiliza escaneos de seguimiento ocular para clasificar a los participantes en grupos de TEA y desarrollo típico (DT). El modelo propuesto consta de dos capas ocultas con 300 y 150 neuronas, respectivamente, y se sometió a 10 rondas de validación cruzada con una tasa de abandono del 20%. En la fase de prueba, el modelo logró una precisión del 95.59%, superando la precisión de otros algoritmos de aprendizaje automático como el bosque aleatorio (RF), el árbol de decisión (DT), los vecinos más cercanos (KNN) y el perceptrón multicapa (MLP). Además, el modelo propuesto demostró un rendimiento superior en comparación con los hallazgos reportados en estudios anteriores. Los resultados demuestran que el modelo propuesto puede clasificar con precisión a los niños con TEA de aquellos con DT sin intervención humana.