Actualmente, la neumonía es una enfermedad pulmonar prevalente y una de las principales causas mortales en el mundo. Sin ir más lejos, la actual pandemia provocada por COVID-19 y sus variantes nos ha hecho enfrentarnos a la realidad de la importancia de una detección rápida para poder realizar una tratamiento rápido y eficaz. La herramienta de diagnóstico para la neumonía suelen ser las radiografías torácicas, debido a su rapidez y a su coste. Ofrecen menos exposición ionizante pero también menos claridad en la resolución de la imagen ya que aparecen opacidades o grises difusos. En este Trabajo de final de Máster se ha propuesto diseñar un modelo de aprendizaje profundo, mediante el lenguaje Python y usando librerías de TensorFlow y Keras a través de Google Colab. El modelo se ha generado usando una red neuronal convolucional (CNN) y la propuesta de mejora de precisión se ha propuesto mediante el aumento de datos. La base de datos utilizada para este proyecto ha sido extraída del repositorio de Kaggle y consta de 5856 radiografías torácicas clasificadas según si no presentan neumonía (normal) o presentan neumonía (pneumonia virus, pneumonia bacteria). Finalmente, se ha creado una aplicación web desarrollada en NextJS y publicada en AWS para facilitar la clasificación de imágenes al usuario. Pneumonia is currently a prevalent lung disease and one of the leading causes of death in the world. Without going any further, the current pandemic caused by COVID-19 and its variants has brought us face to face with the reality of the importance of early detection for rapid and effective treatment. The diagnostic tool for pneumonia is usually chest X-rays, due to their speed and cost. They offer less ionizing exposure but also less clarity in the resolution of the image as opacities or diffuse grays appear. In this Master's thesis it has been proposed to design a deep learning model, using the Python language and using TensorFlow and Keras libraries through Google Colab. The model has been generated using a convolutional neural network (CNN) and the proposed accuracy improvement has been proposed through data augmentation. The database used for this project has been extracted from the Kaggle repository and consists of 5856 thoracic radiographs classified according to whether they do not present pneumonia (normal) or present pneumonia (pneumonia virus, pneumonia bacteria). Finally, a web application developed in NextJS and published in AWS has been created to facilitate image classification for the user. Actualment, la pneumònia és una malaltia pulmonar prevalent i una de les principals causes mortals en el món. Sense anar més lluny, l'actual pandèmia provocada per COVID-19 i les seves variants ens ha fet enfrontar a la realitat de la importància d'una detecció ràpida per a poder realitzar un tractament ràpid i eficaç. L'eina de diagnòstic per a la pneumònia solen ser les radiografies toràciques, a causa de la seva rapidesa i al seu cost. Ofereixen menys exposició ionitzant, però també menys claredat en la resolució de la imatge, ja que apareixen opacitats o grises difuses. En aquest Treball de final de Màster s'ha proposat dissenyar un model d'aprenentatge profund, mitjançant el llenguatge Python i usant llibreries de TensorFlow i Keras a través de Google Colab. El model s'ha generat fent servir una xarxa neuronal convolucional (CNN) i la proposta de millora de precisió s'ha suggerit mitjançant l'augment de dades. La base de dades utilitzada per a aquest projecte ha estat extreta del repositori de Kaggle i consta de 5856 radiografies toràciques classificades segons si no presenten pneumònia (normal) o presenten pneumònia (pneumònia virus, pneumònia bacteri). Finalment, s'ha creat una aplicació web desenvolupada en NextJS i publicada en AWS per a facilitar la classificació d'imatges a l'usuari.