Aunque el rendimiento por si solo de las redes neuronales artificiales (RNAs) suele ser satisfactorio, diversos trabajos de investigación han demostrado que la propuesta de hibridaciones entre RNAs y algoritmos metaheurísticos (AMH), pueden incrementar dicho rendimiento en sus tareas de estimación o clasificación; según corresponda el contexto del problema y la naturaleza de la red neuronal. El presente trabajo de tesis, aborda la clasificación de arritmias cardíacas (ACs) a través del uso de algoritmos de cómputo inteligente; el primero de ellos corresponde a la red neuronal convolucional (CNN, por sus siglas en inglés) y el segundo al de optimización por enjambre de partículas (PSO, por sus siglas en inglés). La metodología implementada para el desarrollo de este trabajo consta de tres procedimientos esenciales. El primero consiste en la preparación de la fuente de información que corresponde a las ACs, de tal forma que le permita a la CNN llevar a cabo la tarea de clasificación. En el segundo procedimiento, se hace uso del PSO, para la búsqueda de una solución satisfactoria compuesta por una arquitectura de capas con sus correspondientes hiperparámetros que le permita a la CNN obtener un rendimiento satisfactorio; la optimización se realiza mediante la minimización del error de entropía cruzada categórica (CE), dicho error es tomado por el PSO como una función objetivo. El último procedimiento consiste en tomar los datos de la mejor partícula y evaluar el rendimiento de la CNN, lo que permite describir los resultados experimentales obtenidos. Los resultados del trabajo se traducen como el diseño de un modelo computacional con un desempeño satisfactorio en la clasificación de ACs.