La contaminación del aire representa una amenaza significativa para la salud humana y los ecosistemas. Predecir la concentración de contaminantes clave como las partículas en suspensión puede ayudar a apoyar la planificación de la calidad del aire y las medidas de prevención. Los métodos de aprendizaje profundo están ganando popularidad para predecir la contaminación del aire y la concentración de partículas en suspensión. Arquitecturas como las Redes Neuronales Convolucionales pueden tener en cuenta de manera efectiva las características geográficas del dominio de estudio. Este trabajo prueba una Red Neuronal Feed-Forward, una Memoria a Largo y Corto Plazo (LSTM) y una Red Neuronal Convolucional (CNN) en un dominio geográfico contaminado en el norte de Italia. La mejor arquitectura convolucional se implementó luego en otras dos regiones bastante diferentes. Los resultados muestran que la misma arquitectura CNN proporciona pronósticos notablemente precisos en todas las aplicaciones y que una red entrenada con datos de PM puede predecir con precisión las concentraciones de PM hasta 10 días por adelantado. Estos resultados sugieren que la CNN propuesta tiene altas capacidades de generalización y, por lo tanto, puede ser utilizada de manera confiable como un modelo de pronóstico para diferentes áreas.