El método de tránsito es una de las técnicas de detección de exoplanetas más relevantes, que consiste en detectar eclipses periódicos en las curvas de luz de las estrellas. Esto no siempre es fácil debido a la presencia de ruido en las curvas de luz, que es inducido, por ejemplo, por la respuesta de un telescopio al flujo estelar. Por esta razón, nuestro objetivo fue desarrollar un modelo de red neuronal artificial capaz de detectar estos tránsitos en curvas de luz obtenidas de diferentes telescopios y encuestas. Creamos curvas de luz artificiales con y sin tránsitos para intentar imitar las esperadas para la misión extendida del telescopio Kepler (K2) con el fin de entrenar y validar un modelo de red neuronal convolucional 1D, que luego fue probado, obteniendo una precisión del 99.02% y un error estimado (función de pérdida) de 0.03. Estos resultados, entre otros, ayudaron a confirmar que la CNN 1D es una buena elección para trabajar con curvas de luz de Mandel y Agol no plegadas en fase con tránsitos. También reduce el número de curvas de luz que deben ser inspeccionadas visualmente para decidir si presentan señales similares a tránsitos y disminuye el tiempo necesario para analizar cada una (con respecto al análisis tradicional).