La detección y segmentación de gliomas cerebrales es esencial para un diagnóstico preciso y un tratamiento oportuno. El método más convencional para la detección de tumores implica redes neuronales convolucionales y modelos híbridos. En la presente tesis, se propone un enfoque basado en diversas arquitecturas de aprendizaje profundo para la detección de gliomas, así como otro método para la segmentación de estos tumores a partir de imágenes de resonancias magnéticas. Se utilizó un conjunto de datos de 3929 registros, con sus máscaras correspondientes, provenientes de 110 pacientes con gliomas cerebrales, extraídos de "The Cancer Genome Atlas" en Kaggle, aplicando técnicas de aumento de datos para evitar el desbalance. Para la detección, se desarrolló un modelo híbrido, para lo cual se entrenaron siete modelos de clasificación basados en arquitecturas como ResNet50, I...