[pt] Detectar reservatórios de hidrocarbonetos a partir de um levantamento sísmico é uma tarefa complexa, que requer profissionais especializados e muito tempo de trabalho. Por isso, atualmente, existem muitas pesquisas que buscam automatizar essa tarefa utilizando redes neurais profundas. Seguindo o sucesso das redes convolucionais profundas, CNNs, na identificação de objetos em imagens e vídeos, as CNNs tem sido utilizadas como detectores de eventos geológicos nas imagens sísmica. O treinamento de uma rede neural profunda atual, entretanto, requer centenas de milhares de dados rotulados. Se tratarmos os dados sísmicos como imagens, os reservatórios de hidrocarbonetos geralmente constituem uma pequena sub imagem incapaz de fornecer tantas amostras. A metodologia proposta nesta dissertação trata o dado sísmico como um conjunto de traços e a amostra que alimenta a rede neural são trechos de um sinal unidimensional parecido com um sinal de som ou voz. Com essa entrada uma marcação de um reservatório numa sísmica geralmente já fornece o número necessário de amostras rotuladas para o treinamento. Um outro aspecto importante da nossa proposta é a utilização de uma rede neural recorrente. A influencia de um reservatório de hidrocarboneto num traço sísmico se dá não somente no local onde ele se encontra, mas em todo o traço que se segue. Por isso propomos a utilização de uma rede do tipo longa memória de curto prazo (Long Short-Term Memory, LSTM) para caracterizar regiões que apresentem assinaturas de gás em imagens sísmicas. Esta dissertação detalha ainda a implementação da metodologia proposta e os testes feitos nos dados sísmicos públicos Netherlands F3-Block. Os resultados alcançados avaliados pelos índices de sensibilidade, especificidade, acurácia e AUC foram todos excelentes, acima de 95 por cento. / [en] Detecting hydrocarbon reservoirs from a seismic survey is a complex task, requiring specialized professionals and long time. Consequently, many authors today seek to automate this task by using deep neural networks. Following the success of deep convolutional networks, CNNs, in the identification of objects in images and videos, CNNs have been used as detectors of geological events in seismic images. Training a deep neural network, however, requires hundreds of thousands of labeled data, that is, samples that we know the response that the network must provide. If we treat seismic data as images, the hydrocarbon reservoirs usually constitute a small sub-image unable to provide so many samples. The methodology proposed in this dissertation treats the seismic data as a set of traces and the sample that feeds the neural network are fragments of a onedimensional signal resembling a sound or voice signal. A labeled reservoir seismic image usually provides the required number of labeled one-dimensional samples for training. Another important aspect of our proposal is the use of a recurrent neural network. The influence of a hydrocarbon reservoir on a seismic trace occurs not only in its location but throughout the trace that follows. For this reason, we propose the use of a Long Short-Term Memory, LSTM, network to characterize regions that present gas signatures in seismic images. This dissertation further details the implementation of the proposed methodology and test results on the Netherlands F3-Block public seismic data. The results on this data set, evaluated by sensitivity, specificity, accuracy and AUC indexes, are all excellent, above 95 percent.