La sequía es un desastre natural que ocurre a nivel global y puede dañar el medio ambiente, interrumpir la producción agrícola y causar grandes pérdidas económicas. La predicción precisa de la sequía puede reducir efectivamente los impactos de las sequías. Los métodos de aprendizaje profundo han mostrado promesas en la predicción de sequías, siendo las redes neuronales convolucionales (CNN) particularmente efectivas en el manejo de información espacial. En este estudio, empleamos un enfoque de aprendizaje profundo para predecir la sequía en la cuenca del río Fenhe (FHR), teniendo en cuenta las condiciones meteorológicas de las regiones circundantes. Utilizamos el SAPEI diario (Índice de Evapotranspiración de Precipitación Antecedente Estandarizado) como el índice de evaluación de sequía. Nuestros resultados demuestran la efectividad del modelo CNN en la predicción de eventos de sequía de 1 a 10 días de anticipación. Evaluamos las predicciones realizadas por el modelo; la eficiencia promedio de Nash-Sutcliffe (NSE) entre los valores predichos y los verdaderos para los próximos 10 días fue de 0.71. Aunque la precisión de la predicción disminuyó ligeramente con longitudes de predicción más largas, el modelo se mantuvo estable y efectivo en la predicción de eventos de sequía severa que son típicamente difíciles de predecir. Además, se identificaron variables meteorológicas clave para las predicciones de sequía, y encontramos que entrenar el modelo CNN con estas variables clave llevó a una mayor precisión en la predicción que entrenarlo con todas las variables. Este estudio aprueba un enfoque efectivo de aprendizaje profundo para la predicción diaria de sequías, particularmente al considerar las condiciones meteorológicas de las regiones circundantes.