Existe una diversidad de series temporales que son objeto de estudio en múltiples disciplinas, por ejemplo en la meteorología, la geofísica, la biología, la medicina y la sociología. En esta Tesina se aborda el problema de predicción de series temporales caracterizadas por su naturaleza determinística no-lineal. Se presenta una técnica basada en redes neuronales profundas para la predicción de sistemas dinámicos a partir de una serie temporal. Se sabe que las arquitecturas profundas pueden ser mucho más eficientes a la hora de representar ciertas funciones. Por otro lado, recientemente se han publicado trabajos en los que se encuentra evidencia del beneficio en construir un modelo con salida-múltiple, de manera que este aprenda y preserve las dependencias entre los valores de la predicción. Se evalúa el rendimiento de arquitecturas profundas frente a las redes neuronales convencionales y a su vez el uso de salida-múltiple frente a las redes de salida-simple, en un modelo de predicción para múltiples horizontes. Los resultados muestran un mejor desempeño de las arquitecturas profundas sobre las series temporales consideradas.