Las redes neuronales han avanzado significativamente los sistemas de óptica adaptativa para telescopios en los últimos años. Los sistemas de óptica adaptativa futuros, especialmente para telescopios extremadamente grandes, se espera que empleen predominantemente sensores de frente de onda piramidal, que ofrecen una buena sensibilidad pero sufren de una respuesta no lineal bajo ciertas condiciones. Esta no linealidad limita el rendimiento de los métodos de reconstrucción lineal tradicionales, como la multiplicación de matriz-vector, lo que conduce a un rendimiento subóptimo. Las Redes Neuronales Convolucionales ofrecen una alternativa prometedora, ya que pueden modelar relaciones no lineales complejas y extraer patrones espaciales de las imágenes del sensor. Si bien la reconstrucción basada en CNN ha demostrado éxito en sistemas de bucle cerrado, este estudio investiga su aplicación en la reconstrucción de frente de onda de bucle abierto. Se desarrolla una arquitectura de red personalizada y una estrategia de entrenamiento, utilizando datos de entrenamiento realistas de simulaciones de turbulencia atmosférica de extremo a extremo. Las CNN se entrenan para reconstruir los coeficientes polinomiales de Zernike que representan las aberraciones ópticas, lo que permite una estimación tomográfica de la turbulencia. El enfoque propuesto demuestra mejoras significativas sobre los métodos convencionales de bucle abierto, subrayando el potencial de las CNN para mejorar la reconstrucción del frente de onda en sistemas de AO de próxima generación.