El avance acelerado que se ha manifestado en el campo de Deep Learning en los últimos años ha transformado radicalmente diversas áreas del conocimiento. Este avance extiende sus aplicaciones más allá de los dominios euclidianos tradicionales para abordar estructuras de datos complejas como grafos y manifolds. Es en este contexto que emerge Deep Learning Geométrico (GDL) como una disciplina prometedora, capaz de procesar y analizar datos definidos en espacios no euclidianos y superando así las limitaciones inherentes a los enfoques convencionales de aprendizaje profundo. Esta tesis explora el estado del arte de GDL, centrándose en una de sus implementaciones más significativas, las Redes Neuronales Orientadas a Grafos (GNNs). A través de un exhaustivo análisis teórico y práctico, se abordan los fundamentos, desarrollos recientes, y aplicaciones de GDL y GNN más específicamente de Redes Neuronales Convolucionales orientadas a Grafos (GCNs), destacando su impacto y las posibilidades de aplicaciones que ofrecen. Se propone, además, una nueva arquitectura basada en los hallazgos de la investigación, destinada a mejorar el rendimiento en tareas específicas de aprendizaje automático sobre grafos, como la clasificación de vértices y la predicción de aristas. La evaluación de esta arquitectura, junto con un análisis comparativo con modelos existentes, subraya la viabilidad y el potencial de las soluciones propuestas para superar desafíos complejos en diversas áreas de aplicación, desde el análisis de redes hasta la biomedicina y la inteligencia urbana.