El aerosol atmosférico afecta significativamente el entorno climático y la salud pública, y la Profundidad Óptica de Aerosoles (AOD) es un parámetro óptico característico fundamental de los aerosoles, por lo que es importante desarrollar métodos para obtener AOD. En este trabajo, se propone un nuevo algoritmo de recuperación de AOD basado en un método de Red Neuronal Convolucional (CNN) que podría proporcionar una distribución de aerosol continua y detallada. El algoritmo utiliza datos de Sentinel-2 y de la Red Robótica de Aerosoles (AERONET) que abarcan desde 2016 hasta 2022. Los datos de AOD de la CNN son consistentes con las mediciones de AERONET, con un R de 0.95 y un RMSE de 0.049 en el conjunto de datos de prueba. La CNN demuestra un rendimiento superior en la recuperación de AOD en comparación con otros algoritmos. La CNN recupera bien el AOD en superficies de alta reflectancia, como áreas urbanas y suelos desnudos, con RMSE de 0.051 y 0.042, respectivamente. La CNN recupera eficientemente el AOD en diferentes estaciones, pero tiene un mejor rendimiento en verano e invierno que en primavera y otoño. Además, para estudiar la relación entre el tamaño de la imagen y el rendimiento de recuperación del modelo, se crearon conjuntos de datos de imágenes de 32 x 32, 64 x 64 y 128 x 128 píxeles para entrenar y probar el modelo de CNN. Los resultados muestran que la CNN de tamaño 128 tiene un mejor rendimiento porque las imágenes grandes contienen rica información sobre aerosoles.