Resumen: La holografía digital ha emergido como una posible herramienta útil en aplicaciones de biomedicina, aunque ciertas dificultades se interponen para que alcance todo su potencial. En particular, la tarea de localizar y clasificar partículas de diferentes tamaños presentes en fluidos, a partir de la información tridimensional que proporciona registrarlas en un holograma, es especialmente complicada cuando la densidad de partículas es elevada y/o los volúmenes analizados son de gran tamaño. Esta tarea es el primer paso de cara al desarrollo de nuevas herramientas contra el cáncer y análisis tridimensionales del riego sanguíneo. En este trabajo se propone una solución basada en machine learning para dicho problema. Se eligen los datos de entrada, generados a partir de un algoritmo sintetizador de hologramas, y los planos de salida adecuados para cumplir este objetivo. Se adapta una arquitectura basada en U-Net, aportando varias novedades. Se escoge un método de entrenamiento adecuado para el modelo, y se entrena el mismo en numerosas ocasiones hasta conseguir los hiperparámetros más óptimos. Los resultados que ofrece este modelo son muy positivos, y se especula sobre la posibilidad de extrapolarlos a casos reales. Finalmente se sugieren ciertas vías por las que continuar mejorando el algoritmo y los retos que deberá superar aún la técnica para tener una utilidad directa en el campo de la biomedicina.