Este estudio se refiere a la aplicación de un modelo de memoria a largo plazo con redes neuronales recurrentes (LSTM) para la reconstrucción de alta resolución de señales de fluctuación de presión turbulenta a partir de datos dispersos (reducidos). El entrenamiento del modelo se realizó utilizando datos de simulaciones de dinámica de fluidos computacional (CFD) de alta resolución de capas límite turbulentas de alta velocidad sobre un panel plano. Durante la etapa de preprocesamiento, empleamos funciones de spline cúbicas para aumentar la fidelidad de las señales dispersas y posteriormente las alimentamos al modelo LSTM para una reconstrucción precisa. Evaluamos nuestro método de reconstrucción con la métrica del error cuadrático medio (RMSE) y mediante la inspección de gráficos de espectro de potencia. Nuestro estudio revela que el modelo logró una reconstrucción precisa de alta resolución de la señal de entrenamiento y podría ser transferido a nuevas señales no vistas de naturaleza similar con un éxito extremadamente alto. Las simulaciones numéricas muestran resultados prometedores para señales turbulentas complejas, que pueden ser producidas experimental o computacionalmente.