Abstract: La enfermedad de Alzheimer es una enfermedad neurodegenerativa que afecta a más de 50 millones de personas en todo el mundo. Es la forma más común de demencia, con un 60-70% de los casos. Actualmente no existe una cura efectiva para ella, aunque sí existen algunos tratamientos que pueden ser eficaces si se aplican en las fases tempranas de la enfermedad, permitiendo retrasar su evolución. Por ello, un diagnóstico preciso y con suficiente antelación es fundamental para poder tomar medidas preventivas. El gran auge del deep-learning en los últimos años ha permitido el desarrollo de diferentes sistemas de predicción que ayuden al diagnóstico de la enfermedad de Alzheimer a partir de imágenes cerebrales. El principal objetivo de este Trabajo de Fin de Grado es el desarrollo de un sistema de aprendizaje profundo basado en redes neuronales convolucionales que, a partir de imágenes 18F-FDG PET del cerebro sea capaz de predecir el diagnóstico final entre pacientes enfermos (AD), con deterioro cognitivo leve (MCI) o cognitivamente normales (CN). La obtención de las imágenes para el entrenamiento y test de la red se han obtenido del repositorio de la Alzheimer's Disease Neuroimaging Initiative (ADNI). Se han desarrollado dos sistemas con dos arquitecturas diferentes: la original propuesta en (Ding et al., ,2019) y una mejora posterior de la misma propuesta en la literatura en un contexto diferente. Las imágenes utilizadas son 3D mientras que las arquitecturas utilizadas se basan en convoluciones 2D. Por este motivo, las imágenes de 18F-FDG PET han sido preprocesadas antes de ser cargadas en la red. Para el entrenamiento de los sistemas se ha hecho uso de las técnicas de transfer-learning y fine-tuning. La implementación del sistema y el preprocesado de las imágenes se ha realizado en Python 3.6.9, mediante el uso de las librerías de Keras (versión 2.2.4) y TensorFlow (versión 1.12.0). El entrenamiento y test de la red se ha realizado sobre una tarjeta gráfica Titan RTX de 24 GBs de VRAM. Los experimentos realizados muestran que, ambos sistemas desarrollados pueden llegar a predecir AD hasta 66 meses (5 años y medio) antes del diagnóstico final. El sistema basado en la arquitectura propuesta en (Ding et al., ,2019) es capaz de predecir el diagnóstico final de Alzheimer con una precisión del 77.0% y un AUC de 0.84. Se ha encontrado que el sistema entrenado con los pacientes de AD y CN es capaz de diagnosticar la enfermedad con una precisión del 87.5% y un AUC de 0.97 y se ha analizado cómo afecta en el rendimiento del sistema la introducción de datos de pacientes con MCI. Con la arquitectura más moderna se ha conseguido mejorar los resultados con una precisión de 84.6% y un AUC de 0.89 en la predicción del diagnóstico final de Alzheimer. Finalmente, se han realizado distintos análisis de las redes neuronales convolucionales desarrolladas para comprender los puntos fuertes y débiles de los modelos obtenidos.