En este trabajo se ha intentado realizar un estudio sobre un proyecto ya desarrollado, que trata sobre la súper-resolución de imágenes aplicada con deep learning y readaptar dicho proyecto para su utilización con imágenes de profundidad, ya que originalmente éste está optimizado para la súper-resolución con imágenes a color y en escala de grises. El principal trabajo realizado ha sido aprovechar la implementación de este proyecto y entrenarlo con diferentes bases de datos de profundidad para analizar su comportamiento al ser probado con diferentes sets de validación. Después de entrenar la red neuronal con las diferentes bases de datos y comprobar su rendimiento con los diferentes sets de validación, se han elegido los modelos con mejor rendimiento. Una vez escogidos los modelos se han modificado parámetros de configuración de la red tales como el número de iteraciones o las bases de datos utilizadas para reentrenar dichos modelos y analizar de nuevo su rendimiento con los mismos sets de validación. Finalmente los resultados obtenidos han sido los esperados, obteniendo nuevas imágenes de profundidad aumentadas en un factor 3 a las originales y con una calidad de imagen mejorada de hasta 2.7 dB superior a la interpolación bicúbica.