El propósito de los ataques adversarios es modificar los datos suministrados a modelos de Inteligencia Artificial (IA) para causar fallas en la tarea para la que fueron diseñados. Las redes neuronales convolucionales (ConvNet) son unos los modelos de IA desarrollados para tareas de visión por computadora (e.g. detección, segmentación, y clasificación). ConvNets del estado del arte han mejorado su desempeño, permitiendo confiar en su uso para tareas de la vida real. Sin embargo, se ha demostrado que las ConvNet son vulnerables ante los ataques adversarios, y esto puede ocasionar fallas graves en tareas que requieren alta seguridad en su ejecución (e.g. fines médicos, conducción autónoma, reconocimiento facial, y finanzas). Por lo cual, es necesario complementar las ConvNet con métodos de defensa que las hagan más robustas. Esta tesis continua la implementación de la novedosa capa monogénica bioinspirada [1, 2], ahora como método de defensa contra ataques adversarios, cuyo propósito en esta investigación es contrarrestar las afectaciones causadas por un ataque adversario Descenso de Gradiente Proyectado (PGD, por sus siglas en inglés) con métrica de distancia Linf. El método de defensa está basado en el uso de una capa monogénica determinista al frente de una ConvNet ResNet50 utilizada para la clasificación de imágenes con el conjunto de datos CIFAR10. Los resultados muestran mejor desempeño para la ConvNet ResNet50 con capa monogénica que una ConvNet ResNet50 común, y que un segundo modelo con entrenamiento robusto como método de defensa. Los resultados obtenidos pueden ser interpretados como un incremento en la resistencia al ataque adversario, y fiabilidad en su uso para modelos de IA. Las métricas Medición del Índice de Similitud Estructural (SSIM, por sus siglas en inglés) y Proporción Máxima Señal-Ruido (PSNR, por sus siglas en inglés) fueron aplicadas en las activaciones de la capa monogénica con el fin de obtener una explicación cuantitativa de la mejora. Los resultados obtenidos de esta investigación exponen el uso potencial de la capa monogénica para confrontar ataques adversarios, y motiva la continuidad de expansión del conocimiento de la señal monogénica utilizada para propósitos de IA.