El aprendizaje profundo o Deep Learning (DL), permite que los modelos que se componen de multiples capas de procesamiento aprendan representaciones de datos con multiples niveles de abstraccion. Estos metodos han mejorado el estado del arte con respecto al reconocimiento de voz, reconocimiento de objetos visuales y muchos otros campos. Sin embargo, sufre limitaciones importantes en la prctica: i) Los modelos DL se tratan como “cajas negras”, ii) Los modelos DL necesitan su- ficientes datos de buena calidad para obtener un buen rendimiento y resultados competitivos, y iii) el mejor rendimiento de los algoritmos DL se puede alcanzar solo cuando sus hiperparametros se han optimizado con exito. En este proyecto de tesis pretendemos resolver estos prob- lemas, i) desarrollando una metodolog ́ıa de analisis de rel- evancia que permita mejorar la interpretabilidad del modelo, ii) proponiendo una funcion de costo hıbrido que garantice la estabilidad del rendimiento del sistema (es decir, los datos de entrenamiento de buena calidad), y iii) desarrollando un algoritmo evolutivo como un proced- imiento de optimizacion de par ametros. La metodolog ia detallada y su respectivo plan de ejecucion (calendario) para llevar a cabo estos objetivos se describen con mas de- talle. Ademas, enumeramos los recursos computacionales disponibles necesarios para la implementacion de este proyecto.