En este artículo, se desarrollaron técnicas de aprendizaje profundo (DL) basadas en redes neuronales artificiales (ANN) para resolver los problemas de difusión de neutrones para la distribución continua del flujo de neutrones sin discretización del dominio por adelantado. Debido a su propiedad sin malla, la solución DL se puede extender fácilmente a geometrías complicadas. Se desarrollan y comparan dos realizaciones específicas de métodos DL con diferentes tratamientos de frontera en términos de precisión y eficiencia, incluyendo el método independiente de frontera (BIM) y el método dependiente de frontera (BDM). La comparación de rendimiento en un punto de referencia analítico indica que el BDM es el método DL preferido. Se proponen construcciones novedosas de funciones de prueba para generalizar la aplicación del BDM. Para una comprensión más profunda del BDM en problemas de difusión, se investiga además la influencia de hiperparámetros importantes. Los resultados numéricos indican que la precisión del BDM puede alcanzar cientos de veces más que la del BIM en problemas de difusión. Este trabajo puede proporcionar una nueva perspectiva para aplicar el método DL a cálculos de reactores nucleares.