Los pagos con tarjeta de débito y crédito se han convertido en el método de pago preferido por los consumidores, reemplazando los cheques en papel y el efectivo. Sin embargo, este cambio también ha llevado a un aumento en las preocupaciones sobre el robo de identidad y la seguridad de los pagos. Para abordar estos desafíos, es crucial desarrollar un sistema de pago efectivo, seguro y confiable. Esta investigación presenta un estudio integral sobre la detección de fraudes con tarjetas de pago utilizando técnicas de aprendizaje profundo. La introducción destaca la importancia de un sistema financiero sólido respaldado por un sistema de pago rápido y seguro. Se enfatiza la necesidad de métodos avanzados para detectar actividades fraudulentas en las transacciones con tarjetas. La metodología propuesta se centra en la conversión de un conjunto de datos en valores separados por comas (CSV) en imágenes de códigos QR, lo que permite la aplicación de redes neuronales profundas y aprendizaje por transferencia. Esta representación permite aprovechar arquitecturas basadas en imágenes preentrenadas al codificar atributos numéricos de transacciones en patrones visuales adecuados para redes neuronales convolucionales. El proceso de extracción de características implica el uso de una red neuronal convolucional, específicamente una arquitectura de red residual. Los resultados obtenidos a través del método de balanceo de conjuntos de datos por submuestreo revelaron un rendimiento prometedor en términos de precisión, exactitud, recuperación y puntuación F1 para los modelos tradicionales como K vecinos más cercanos (KNN), Árbol de Decisión, Bosque Aleatorio, AdaBoost, Bagging y Bayes Naïve Gaussiano. Además, el modelo de red neuronal profunda propuesto logró una alta precisión, lo que indica su efectividad en la detección de fraudes con tarjetas. El modelo también alcanzó una alta exactitud, recuperación y puntuación F1, mostrando su rendimiento superior en comparación con los modelos tradicionales de aprendizaje automático. En resumen, esta investigación contribuye al campo de la detección de fraudes con tarjetas de pago al aprovechar técnicas de aprendizaje profundo. La metodología propuesta ofrece un enfoque sofisticado para detectar actividades fraudulentas en los sistemas de pago con tarjetas, abordando las crecientes preocupaciones sobre el robo de identidad y la seguridad de los pagos. Al implementar el modelo entrenado en una aplicación de Android, se hace posible la detección de fraudes en tiempo real, mejorando aún más la seguridad de las transacciones con tarjetas. Los hallazgos de este estudio proporcionan información y vías para futuros avances en el campo de la detección de fraudes con tarjetas de pago.