Los sistemas de recomendación tradicionales han dependido predominantemente de las calificaciones proporcionadas por los usuarios como entrada explícita. Concurrentemente, los sistemas de recomendación visualmente conscientes aprovechan las señales visuales inherentes dentro de los datos para descifrar las características del artículo y deducir las preferencias del usuario. Sin embargo, el potencial no explotado de incorporar imágenes de los artículos en el proceso de recomendación justifica una investigación. Este documento presenta una arquitectura original de red neuronal convolucional (CNN) que aprovecha información multimodal, conectando las calificaciones de los usuarios con las imágenes de los productos para mejorar las recomendaciones de artículos. Una innovación central del modelo propuesto es el Módulo de Filtrado Adaptativo de Usuario, un componente dinámico que utiliza perfiles de usuario para generar filtros personalizados. A través de un análisis meticuloso de la influencia visual, se demuestra la efectividad de estos filtros. Además, los resultados experimentales subrayan el rendimiento competitivo del enfoque en comparación con los métodos tradicionales de filtrado colaborativo, ofreciendo así una vía prometedora para recomendaciones personalizadas. Este enfoque capitaliza los patrones de adaptación del usuario, mejorando la comprensión de las preferencias del usuario y los atributos visuales.