El retraso húmedo zenital troposférico (ZWD) es una de las principales fuentes de error en los sistemas de navegación por satélite global (GNSS). Un modelado preciso del ZWD es esencial para la posicionamiento GNSS y la recuperación de vapor de agua precipitable (PWV). Sin embargo, el modelado del ZWD enfrenta desafíos debido a la alta variabilidad espaciotemporal del vapor de agua, especialmente en latitudes bajas y en regiones climáticas específicas. Los modelos tradicionales de ZWD dificultan el ajuste preciso de las variaciones no lineales en el ZWD en estas áreas. Se ha desarrollado un algoritmo híbrido de aprendizaje profundo para el modelado de ZWD de alta precisión, que considera las características espaciotemporales y los factores que influyen en el ZWD. La red neuronal convolucional (CNN) y la memoria a corto y largo plazo (LSTM) se combinan en el algoritmo propuesto para crear una nueva arquitectura, a saber, el algoritmo híbrido CNN-LSTM (CL), que combina CNN para la extracción de características espaciales locales y LSTM para el entrenamiento de dependencias de secuencia complejas. Se utilizan datos de 46 sitios de radiosondeo en América del Sur, abarcando desde 2015 hasta 2021, para desarrollar modelos de ZWD bajo tres estrategias, es decir, el modelo CL-A sin parámetros de superficie, el modelo CL-B con temperatura de superficie y el modelo CL-C que introduce temperatura de superficie y presión de vapor de agua. La precisión del modelado de los modelos propuestos se valida utilizando los datos de 46 sitios de radiosondeo en 2022. Los resultados indican que CL-A demuestra una precisión ligeramente mejor en comparación con el modelo de presión y temperatura global 3 (GPT3); CL-B muestra un aumento de precisión del 14% en comparación con el modelo de Saastamoinen, y CL-C exhibe mejoras de precisión del 30% y 12% en comparación con los modelos de Saastamoinen y Askne y Nordius (AN), respectivamente. Al evaluar las capacidades de generalización de los modelos en sitios no modelados en América del Sur, se utilizaron datos de seis sitios en 2022. CL-A muestra un rendimiento general mejor en comparación con el modelo GPT3; la precisión de CL-B es un 19% mejor que el modelo de Saastamoinen, y la precisión de CL-C se mejora en un 33% y un 10% en comparación con los modelos de Saastamoinen y AN, respectivamente. Además, el algoritmo híbrido propuesto demuestra un cierto grado de mejora tanto en la precisión del modelado como en la precisión de generalización para la región sudamericana en comparación con los algoritmos individuales de CNN y LSTM.