Este trabajo se centra en el desarrollo de un nuevo enfoque basado en aprendizaje profundo para implementar un sistema de detección de intrusos eficiente y flexible utilizando el enfoque de comportamiento y dirigido principalmente a infraestructuras críticas y sistemas de control industrial. Partiendo de la base de que modelar el comportamiento normal de la red de los sistemas de control industrial es factible y fiable, ya que las operaciones realizadas en estos sistemas son bastante estacionarias y repetitivas, se utilizan Redes Neuronales Convolucionales (CNN), una técnica de aprendizaje profundo, sobre el conjunto de datos NSL-KDD, un conjunto de datos de referencia utilizado para la implementación de sistemas de detección de intrusos. Se presenta el rendimiento del enfoque y se compara con algunos trabajos anteriores. Las métricas utilizadas incluyen el porcentaje de clasificación correcta, la precisión y los falsos positivos, lo que demuestra que el enfoque propuesto mejora el rendimiento de los sistemas anteriores.