En el presente artículo, se desarrolló un análisis de las técnicas de aprendizaje profundo para lograr una predicción meteorológica usando los enfoques estadísticos de reducción de escala. Estos son importantes, ya que permiten ajustar las proyecciones climáticas de gran escala generadas por el modelo climático MCG a pronósticos más exactos y definidos para áreas específicas, de tal manera permitiendo sobrepasar las limitaciones de los modelos numéricos tradicionales en la representación de fenómenos locales y de pequeña escala. Se analizaron estudios que ponen en práctica las Redes Neuronales Convolucionales (CNN) y Redes Generativas Adversariales (GAN) con el objetivo de poder mejorar la resolución espacial y temporal de los datos climáticos. Ambas herramientas y técnicas han demostrado ser efectivas en proyectos como VALUE, que se encarga de evaluar métodos de downscaling en Europa, y DL4DS, una biblioteca en Python, encargada de aplicar algoritmos de aprendizaje profundo al downscaling empírico de datos climáticos. El principal objetivo de este artículo fue analizar la efectividad de ambas herramientas y técnicas enfocadas en la precisión, escalabilidad y eficiencia computacional, brindando una perspectiva completa de su uso para la mejora de las predicciones meteorológicas a nivel local.