Ciclones tropicais (CTs) são sistemas de tempestade de grande escala sinótica que se formam sobre os oceanos tropicais e estão associados a perigos meteorológicos catastróficos, incluindo ventos extremos, chuvas torrenciais, ressacas costeiras e perdas econômicas. Gerar previsões rápidas e precisas de suas trajetórias é fundamental para o desenvolvimento de estratégias de prevenção e mitigação. O movimento dos CTs é regido por interações complexas e não lineares entre variáveis atmosféricas, condições oceânicas e fluxos de advecção em larga escala, o que torna a previsão de trajetórias intrinsecamente desafiadora tanto para modelos dinâmicos quanto estatísticos. Neste estudo, utilizamos Aprendizado Profundo (Deep Learning, DL) — um subcampo de aprendizado de máquina que emprega redes neurais hierárquicas para extrair autonomamente padrões espaço-temporais de conjuntos de dados complexos — para desenvolver modelos preditivos de trajetórias de CTs no horizonte de 6–72 horas na bacia do Sudoeste do Oceano Índico (SWIO). As movimentações de CTs no SWIO, entre 1993 e 2023, foram analisadas com base nos dados do International Best Track Archive for Climate Stewardship (IBTrACS). A partir desses dados, 11 variáveis relevantes para explicar os deslocamentos de latitude e longitude dos CTs nas próximas 6–72 horas foram selecionadas por meio do algoritmo Random Forest Regressor, com base nos escores de importância atribuídos a cada variável. Foram desenvolvidos e treinados cinco modelos baseados em redes neurais recorrentes (RNN) para prever as trajetórias dos CTs, utilizando como entrada os últimos 24 horas de dados meteorológicos e de trajetória observada (das variáveis selecionadas). A avaliação pós-treinamento, empregando Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio (RMSE) e erro de distância de trajeto, revelou desempenho robusto na simulação das trajetórias de CTs no SWIO pelos modelos Conv-GRU (Convolutional Gated Recurrent Unit), Stacked-LSTM (Long Short-Term Memory em pilha) e Encoder–Decoder, com erros médios de distância variando de 19 km a 160 km para previsões de 6–24 horas no conjunto de teste. Uma abordagem de ensemble — combinando as previsões dos modelos de melhor desempenho por meio de aprendizado empilhado — reduziu ainda mais as divergências de trajetória. A comparação com previsões operacionais do Centro Regional de Ciclones Tropicais (La Réunion) demonstrou alinhamento competitivo, especialmente em previsões de curto prazo (< 24 h). Esses resultados ressaltam o potencial de modelos baseados em DL para complementar métodos numéricos e estatísticos existentes, oferecendo uma solução orientada por dados, de menor custo computacional, para previsões operacionais de trajetórias de CTs na bacia do SWIO.