Este  estudio  explora  el  uso  de  redes  neuronales  de  memoria  larga  a  corto  plazo  para  el  reconocimiento  del  la  lengua  de  señas colombiana. Abarca tanto señas estáticas (letras) como dinámicas (palabras). Los resultados muestran que el modelo alcanzó una precisión del 90 % en el reconocimiento de letras y del 82 % en palabras, y se logró identificar en promedio 27 señas  independientes.  Se  analizaron,  además,  distintas  estrategias  de  extracción  de  características  espaciotemporales  por  medio  de  MediaPipe  y  se  encontró  que  para  detectar  señas  estáticas  solo  bastan  los  puntos  de  control  de  manos  y  para  señas  dinámicas  se  necesitan  los  puntos  de  control  de  manos  y  postura.  Sin  embargo,  los  resultados  no  superaron  el  90  %  de precisión alcanzado en estudios internacionales, lo que sugiere que la calidad y cantidad del conjunto de datos utilizado podría mejorarse. Como trabajo futuro, se plantea evaluar el desempeño del modelo en tiempo real, con el fin de facilitar la comunicación entre personas sordas y oyentes. También se recomienda explorar arquitecturas de aprendizaje profundo más avanzadas, como redes convolucionales de gráficos, redes neuronales transformer  o  combinaciones  de  red  neuronal  convolucional  con  memoria  larga  a  corto  plazo;  estas  han  mostrado  buenos  resultados  en  el  reconocimiento  de  signos  dinámicos.