Este estudio propone un modelo de descomposición vertical basado en aprendizaje profundo para el Contenido Total de Electrones (TEC) ionosférico, que establece un mapeo no lineal de los datos de TEC a gran escala a la densidad de electrones en capas verticales (Ne) que abarca de 60 a 800 km, integrando índices geomagnéticos (AE, SYM-H) y parámetros de actividad solar (F10.7). Utilizando datos de cuadrícula global de TEC (resolución espaciotemporal: 1 h/5.625 grados x 2.8125 grados) proporcionados por el Servicio Internacional de GNSS (IGS), se desarrolló un modelo de Perceptrón Multicapa (MLP), tomando como entradas las coordenadas espaciotemporales, la altitud y los parámetros del entorno espacial para predecir la densidad de electrones logarítmica ln(Ne). La validación experimental contra observaciones de ocultación de radio COSMIC-2 en 2019 demuestra la capacidad del modelo para capturar estructuras verticales ionosféricas, con un rendimiento de predicción que supera significativamente al modelo de Ionosfera de Referencia Internacional IRI-2020: el error cuadrático medio (RMSE) disminuyó en un 34.16%, y el coeficiente de determinación (R) aumentó en un 28.45%. Este método supera la dependencia de la inversión de densidad de electrones tradicional en observaciones costosas de radar o satélite, permitiendo la reconstrucción de perfiles ionosféricos globales de alta resolución espaciotemporal utilizando datos de GNSS-TEC ampliamente disponibles. Proporciona una herramienta novedosa para la alerta de clima espacial y la optimización de la comunicación de onda corta. Las limitaciones actuales incluyen una insuficiente interpretabilidad física y la incertidumbre en la predicción en regiones con escasez de GNSS, lo que podría mitigarse en trabajos futuros mediante la integración de restricciones físicas y la asimilación de datos de múltiples fuentes.