El Sistema Global de Navegación por Satélite (GNSS) se utiliza ampliamente en diversas aplicaciones de UAVs (vehículos aéreos no tripulados) que requieren posicionamiento o navegación precisa. Sin embargo, las señales GNSS pueden ser bloqueadas en entornos específicos y son susceptibles a interferencias y suplantaciones, lo que degradará el rendimiento de los sistemas de navegación. En este estudio, se propone un sistema de navegación basado en aprendizaje profundo para el aterrizaje automático de UAVs de ala fija en entornos donde no hay GNSS, como una alternativa al sistema de navegación. La mayoría de los sistemas de aterrizaje en pista basados en visión suelen centrarse en la detección y localización de la pista, descuidando el problema de integrar la solución de localización en las leyes de control de vuelo y guía para convertirse en un sistema de aterrizaje automático en tiempo real completo. Este estudio aborda estos problemas combinando métodos de detección y localización de pistas, YOLOv8 y regresión de CNN (red neuronal convolucional), para demostrar la robustez de los enfoques de aprendizaje profundo. Además, se emplea un método de detección de líneas para alinear con precisión el UAV con la pista, resolviendo eficazmente los problemas relacionados con los contornos de la pista. En la fase de control, se diseñan la ley de guía y el controlador para garantizar el vuelo estable del UAV. Basado en un marco de modelo de aprendizaje profundo, este estudio realiza experimentos dentro del entorno de simulación, verificando la estabilidad del sistema bajo diversas condiciones asumidas, evitando así los riesgos asociados con las pruebas en el mundo real. Los resultados de la simulación demuestran que el UAV puede lograr un aterrizaje automático en pendientes de 3 grados y 5 grados, ya sea que esté alineado directamente con la pista o desviado de ella, con errores de seguimiento de trayectoria dentro de los 10 m.