La presente tesis muestra la implementación de dos redes neuronales profundas (LSTM) una para la modelación de las partículas aéreas contaminantes llamadas PM10, mientras que la segunda red es utilizada para detectar las condiciones que anteceden a una excedencia. Dado que los datos utilizados son registros de la ciudad de México, se tomo de referencia la norma mexicana respectiva. Lo anterior debido a que el monitoreo de la calidad del aire es un tema de interés actual, las partículas PM10 son contaminantes aéreos constituidas de diferentes componentes. Los resultados obtenidos demuestran que es posible anticipar una excedencia de partículas PM10 con 24, 48 o 72 horas previas a que ocurra. De igual manera se implementó distintos algoritmos para validar los resultados obtenidos, enfocándose en el preprocesamiento de los datos iniciales y en la modelación y predicción de las excedencias.