Los profesionales de ciberseguridad generan un test de Turing público completamente automatizado para diferenciar entre computadoras y humanos (CAPTCHA) como mecanismo de seguridad en aplicaciones web, con el fin de distinguir entre usuarios finales humanos y bots. Tienden a usar medidas de seguridad estándar para implementar CAPTCHAs con el objetivo de evitar que los hackers escriban programas automatizados maliciosos para realizar registros falsos en sitios web y para impedirles robar información privada de los usuarios finales. Entre las categorías de CAPTCHAs, el CAPTCHA basado en texto es el más ampliamente utilizado. Sin embargo, con la evolución del aprendizaje profundo, ha sido tan drástica que tareas que antes se consideraban difíciles de abordar por computadoras y se utilizaban como CAPTCHA para prevenir el spam ahora son posibles de romper. El proceso de romper un CAPTCHA es una combinación de esfuerzos, enfoques y el desarrollo de un modelo de Red Neuronal Convolucional (CNN) eficiente en cálculos que intenta aumentar la precisión. En este estudio, a diferencia de romper las imágenes completas del CAPTCHA simultáneamente, dividimos las imágenes de CAPTCHA de cuatro caracteres en los caracteres individuales con un margen de 2 píxeles alrededor de los bordes de un nuevo conjunto de datos de entrenamiento, y luego propusimos una Red Neuronal Convolucional eficiente y precisa para romper CAPTCHAs basados en texto. Lo más importante es que, hasta donde sabemos, este es el primer estudio de rompimiento de CAPTCHA que utiliza la capa de Convolución Separable en Profundidad para construir un modelo eficiente de CNN para romper CAPTCHAs basados en texto. Hemos evaluado y comparado el rendimiento de nuestro modelo propuesto con el de otros modelos populares de reconocimiento de imágenes CNN en el conjunto de datos de imágenes de CAPTCHA generadas. En tiempo real, nuestro modelo propuesto tardó menos tiempo en romper los CAPTCHAs basados en texto con una precisión de más del 99% en el conjunto de datos de prueba. Observamos que nuestro modelo de CNN propuesto ha mejorado eficientemente la precisión al romper CAPTCHAs y ha optimizado la estructura de la red de rompimiento de CAPTCHAs en comparación con otras técnicas de rompimiento de CAPTCHAs.