Android está siendo cada vez más blanco de malware, ya que se ha convertido en el sistema operativo móvil más popular a nivel mundial. Las familias de malware evasivo, como Chamois, diseñadas para convertir los dispositivos Android en bots que forman parte de una botnet más grande, están volviéndose prevalentes. Esto requiere métodos más efectivos para la detección de botnets de Android. Recientemente, el aprendizaje profundo ha ganado atención como un enfoque basado en el aprendizaje automático para mejorar la detección de botnets de Android. Sin embargo, actualmente faltan estudios que investiguen exhaustivamente la eficacia de varios modelos de aprendizaje profundo para la detección de botnets de Android. Por lo tanto, en este documento presentamos un estudio comparativo de técnicas de aprendizaje profundo para la detección de botnets de Android utilizando 6802 aplicaciones de Android que consisten en 1929 aplicaciones de botnets del conjunto de datos de botnets de ISCX. Evaluamos el rendimiento de varias técnicas de aprendizaje profundo, incluyendo: modelos CNN, DNN, LSTM, GRU, CNN-LSTM y CNN-GRU utilizando 342 características estáticas derivadas de las aplicaciones. En nuestros experimentos, los modelos de aprendizaje profundo lograron resultados de vanguardia basados en el conjunto de datos de botnets de ISCX y también superaron a los clasificadores de aprendizaje automático clásicos.