La detección del glaucoma es una tarea importante, ya que esta enfermedad puede afectar al nervio óptico, lo que podría llevar a la ceguera. Esto se puede prevenir con un diagnóstico temprano, controles periódicos y tratamiento para detenerlo y prevenir la pérdida visual. Por lo general, la detección del glaucoma se realiza a través de varios exámenes como la tonometría, la gonioscopia, la paquimetría, etc. En este trabajo, llevamos a cabo esta detección utilizando imágenes obtenidas a través de cámaras retinianas, en las que podemos observar el estado del nervio óptico. Este trabajo aborda una metodología de diagnóstico precisa basada en Redes Neuronales Convolucionales (CNN) para clasificar estas imágenes ópticas. La mayoría de los trabajos requieren un gran número de imágenes para entrenar sus arquitecturas de CNN, y la mayoría de ellos utilizan la imagen completa para realizar la clasificación. Utilizaremos un pequeño conjunto de datos que contiene 366 ejemplos para entrenar la arquitectura de CNN propuesta y nos enfocaremos únicamente en el análisis del disco óptico extrayéndolo de la imagen completa, ya que este es el elemento que proporciona la mayor información sobre el glaucoma. Experimentamos con diferentes canales RGB y sus combinaciones del disco óptico, y además, extraemos información de profundidad. Obtenemos valores de precisión de 0.945, utilizando la combinación de GB y RGB completo, y 0.934 para la transformación en escala de grises. La información de profundidad no ayudó, ya que limitó el mejor valor de precisión a 0.934.