En este trabajo exploramos el desempeño de clasificadores basados en redes neuronales profundas en la tarea de detección de depresión a partir de textos obtenidos de redes sociales. La relevancia se encuentra en que siendo la depresión la principal causa de discapacidad y suicidio a nivel mundial, es necesario contar con herramientas que auxilien en la correcta detección de la misma. Estudios han hallado que la depresión afecta la forma en la que las personas se comunican, y también que personas que las padecen suelen usar las redes sociales para informarse o hablar sobre su condición debido a la seguridad que el anonimato les confiere. Desde hace unos años, ha sido una tarea de interés el desarrollo de mecanismos eficientes para la detección de depresión a partir de textos provenientes de redes sociales, unido a este esfuerzo en este trabajo se explora el desempeño que diferentes arquitecturas de aprendizaje profundo pueden tener en esta tarea, ya que estos modelos profundo han demostrado una alta capacidad de descubrir patrones o características de los datos que no suelen ser evidentes a primera vista. Es por eso que en los últimos años han ganado popularidad como propuestas de solución en problemas complejos. Obtuvimos resultados competitivos para las diferentes redes neuronales profundas puestas a prueba, con resultados mejores con respecto a otros métodos de clasificación populares. Por otra parte, también exploramos la posibilidad de interpretar la forma que los modelos dirigen su aprendizaje, en este punto logramos encontrar patrones interesantes sobre los que las modelos consideran relevante.