La función de variograma es una herramienta crucial para cuantificar la correlación espacial y un componente clave de la interpolación de Kriging, que influye directamente en la precisión de los resultados de interpolación. Sin embargo, los métodos tradicionales de ajuste de variogramas, como los mínimos cuadrados y la regresión polinómica ponderada, a menudo enfrentan limitaciones al manejar estructuras espaciales complejas o no estacionarias, lo que puede llevar a resultados de ajuste inestables. Para abordar estos desafíos, este artículo propone un método de ajuste automático para funciones de variograma experimental basado en aprendizaje profundo. El proceso de ajuste de variograma es inherentemente un problema de optimización no lineal, donde el objetivo es optimizar la alineación entre las funciones de variograma experimentales y teóricas. En este estudio, construimos un modelo de aprendizaje profundo diseñado para capturar las características no lineales de los variogramas experimentales con el objetivo de minimizar los errores de ajuste y mejorar tanto la precisión como la estabilidad del proceso de ajuste. Resultados experimentales extensos demuestran que el modelo de red neuronal propuesto puede aprender de manera efectiva a ajustar una variedad de variogramas experimentales y representar con precisión diferentes funciones de variograma teóricas. En comparación con los métodos tradicionales, este enfoque logra consistentemente un rendimiento de ajuste superior en múltiples conjuntos de datos, validando su efectividad y robustez en diversas condiciones. La mayor capacidad de generalización y la precisión mejorada del método propuesto mejoran significativamente el ajuste automático de funciones de variograma experimental.