En la actualidad, la enfermedad de Parkinson ocupa el segundo lugar como la enfermedad neurodegenerativa más común, después del Alzheimer, afectando a aproximadamente 10 millones de personas en todo el mundo. A pesar de no existir una cura definitiva, existen tratamientos disponibles para aliviar los síntomas y mejorar la calidad de vida de los pacientes. Por esto, es esencial una detección temprano de la enfermedad para ralentizar su progresión. Uno de los síntomas característicos de esta afección es la dificultad en la escritura, lo que a menudo motiva a los pacientes a buscar atención médica. Basándose en esta premisa, se propone la utilización de técnicas de aprendizaje poco profundo y aprendizaje profundo para identificar estos cambios en la escritura como patrones asociados a la enfermedad y calcular la probabilidad de que una persona tenga Parkinson. Para el desarrollo de este proyecto, se utilizó un conjunto de datos que incluía registros de tres grupos diferentes: personas sanas, personas con Parkinson en el hemisferio derecho y personas con Parkinson en el hemisferio izquierdo. Estos registros comprendían la escritura en cuatro experimentos distintos: la firma, la escritura de una palabra en español, polca y griego. A partir de estas escrituras, se extrajeron características matemáticas que se utilizaron como datos de entrenamiento para un modelo SVM, el cual obtuvo los mejores resultados en comparación con otras arquitecturas evaluadas, logrando una tasa de clasificación binaria del 88.06% y un 74% para la clasificación multiclase. Este modelo se implementó en una aplicación web que permite a los usuarios cargar archivos de escrituras de pacientes y obtener un diagnóstico de la enfermedad de Parkinson. Palabras Clave: Enfermedad de Parkinson, inteligencia artificial, aprendizaje poco profundo, micrografía.