La tarea de posicionamiento de Red de Área Local Inalámbrica (WLAN) es desafiante en interiores debido a las limitaciones ambientales y al comportamiento impredecible de la propagación de la señal, incluso en una ubicación fija. El objetivo de este trabajo es desarrollar enfoques basados en aprendizaje profundo para la localización y seguimiento en interiores utilizando la Fuerza de Señal Recibida (RSS). El estudio propone arquitecturas de redes neuronales profundas como el Perceptrón Multicapa (MLP), Redes Neuronales Convolucionales de Una y Dos Dimensiones (CNN 1D y CNN 2D) y Memoria a Corto y Largo Plazo (LSTM) para el posicionamiento en interiores de WLAN basado en los datos obtenidos por mediciones reales de RSS de una infraestructura WLAN existente en un escenario de usuario móvil. Se presentan los resultados utilizando diferentes tipos de arquitecturas profundas incluyendo MLP, CNN y LSTM con algoritmos WLAN existentes. El Error Cuadrático Medio de la Raíz (RMSE) se utiliza como criterio de evaluación. El Modelo 2 propuesto de LSTM logró un error RMSE de posicionamiento dinámico de , superando a algoritmos WLAN probabilísticos como el Posicionamiento sin Memoria (RMSE: ) y el Filtro de Información No Paramétrico (NI) con aceleración variable (RMSE: ) bajo el mismo entorno experimental.