En una sociedad en constante cambio en la que nos ha tocado vivir, la tecnología se ha convertido en una pieza fundamental en nuestras vidas, cambiando nuestro estilo de vida de manera permanente. Una de las áreas científicas artífice de esta incesante metamorfosis a la que está sometida la sociedad actual es, sin duda, la Inteligencia Artificial (IA). Los avances en éste área son posibles gracias, entre otras cosas, a la gran cantidad de datos que manejamos y a la potencia computacional de la que disponemos en la actualidad. Nos hallamos en la era de los datos (Big Data) y conseguir explotarlos es el objetivo de técnicas como el Aprendizaje Automático que se ocupa de obtener patrones estructurales y predecir hechos en base a los datos observados. Dentro del Aprendizaje Automático, la rama con mayor auge es el Aprendizaje Profundo, que habitualmente se conoce como redes neuronales profundas y tiene como objetivo principal orientar el proceso aprendizaje de forma muy similar a como aprendemos los seres humanos, simulando el funcionamiento de nuestro cerebro. Los modelos generativos profundos suponen una amplia área de investigación dentro del aprendizaje profundo, concretamente una nueva técnica, los Autoencoders Variacionales (VAE). Los Autoencoders Variacionales son una técnica de aprendizaje profundo no-supervisado perteneciente al grupo de los Autoencoders, que al igual que estos, tienen como objetivo reconstruir los datos de entrada. A diferencias de los Autoencoders típicos, estos aprenden representaciones latentes de los datos observados, con la finalidad de entenderlos mejor y usar estas representaciones para tareas generativas. El propósito de este trabajo es familiarizarnos con los Autoencoders Variacionales, dar una implementación de los mismo en Tensorflow y evaluar su rendimiento en un conjunto de problemas de aprendizaje automático. Con la intención de evaluar el rendimiento del modelo, se han llevado a cabo experimentos para estudiar el comportamiento de los Autoencoders Variacionales. Para empezar, se han realizado experimentos sobre el comportamiento que mostraba este modelo utilizando diferentes parámetros y conjuntos de datos. A continuación, se han probado en tareas de clasificación. Para concluir, se ha realizado un análisis de los resultados obtenidos y se han revelado conclusiones muy significativas sobre el tema abordado en este trabajo.