Hoy en día, las técnicas basadas en aprendizaje profundo o Deep Learning han alcanzado rendimientos inimaginables en múltiples tareas. La cantidad de datos disponibles con los que poder entrenar estos modelos está aumentando rápidamente. La mayoría de los datos actuales no están etiquetados, imposibilitando el análisis supervisado. Generar datos etiquetados es un proceso costoso. Como alternativa, surgen los modelos basados en el aprendizaje auto-supervisado. En el ámbito de visión artificial, en numerosas ocasiones (p.e. en el ámbito de imagen médica), el dominio en el que se encuentran los datos no es convencional (imágenes digitales en color RGB capturando escenas desde la perspectiva humana) y por tanto debemos adaptar los modelos adecuadamente. El objetivo de este Trabajo de Fin de Grado es estimar la viabilidad de obtener beneficio de las tareas auto-supervisadas y adaptarlas a imágenes en dominios no convencionales, en nuestro caso serán imágenes dermatológicas de lesiones de piel. Para ello, empezamos realizando un estudio del estado del arte acerca de los conceptos básicos que usan las redes neuronales, en concreto las redes neuronales convolucionales. Posteriormente, describimos los diferentes tipos de aprendizaje que se pueden llevar a cabo en las redes neuronales y específicamente el aprendizaje auto-supervisado (Self-supervised learning) y sus técnicas. Seguidamente, se explican los entornos desarrollados utilizados y los conjuntos de datos con los que se ha trabajado. Además, se explica la arquitectura de la red neuronal convolucional usada (ResNet), así como de las técnicas sobre las que se construye el TFG (transfer learning y fine tuning) y el desarrollo base de nuestro trabajo. En el siguiente capítulo, se analizan y evaluan los resultados de las pruebas realizadas con los modelos del capítulo anterior. Para ello, se realiza una comparativa con los resultados obtenidos. Por último, basándonos en los resultados obtenidos se llevarán a cabo unas conclusiones objetivas y se detallarán trabajos futuros