El trastorno del espectro autista (TEA) representa uno de los mayores desafíos en neurodesarrollo, caracterizado por alteraciones en la comunicación social y patrones de comportamiento restringidos. Los actuales métodos diagnósticos, basados en evaluaciones conductuales, presentan limitaciones debido a su subjetividad y variabilidad entre especialistas. Ante este escenario, el análisis de conectividad funcional cerebral mediante imágenes de resonancia magnética funcional en estado de reposo (rs-fMRI) surge como una alternativa objetiva para identificar biomarcadores neurofisiológicos asociados al TEA. Este estudio desarrolla un sistema de diagnóstico asistido por computadora (CAD) que emplea un enfoque basado en aprendizaje profundo (DL) y análisis de conectividad cerebral. El sistema emplea datos de rs-fMRI preprocesados por varios pipelines y combina información de múltiples atlas cerebrales para extraer patrones de conectividad funcional. Estos son representados en matrices proyectadas al espacio tangente para analizarlas mediante una arquitectura de red neuronal profunda (DNN). Los modelos de cada combinación pipeline-atlas fueron entrenados y validados con 1100 sujetos del conjunto de datos de ABIDE-I mediante validación cruzada, estratificada, de 10 iteraciones, demostrando un rendimiento robusto con 73.85% de precisión, 73.59% de sensibilidad y 71.61% de especificidad. La evaluación externa con 56 casos confirmó la capacidad de generalización del sistema, alcanzando 70% de precisión, 70% de sensibilidad y 76.92% de especificidad.