El diagnóstico de masas de cáncer de mama y grupos de calcificación tiene una importancia primordial en la mamografía, lo que ayuda a mitigar las complejidades de la enfermedad y a curarla en etapas tempranas. Sin embargo, una interpretación incorrecta de la mamografía puede llevar a una biopsia innecesaria de los hallazgos falsos positivos, lo que reduce las posibilidades de supervivencia del paciente. En consecuencia, los enfoques que aprenden a discernir las masas mamarias pueden reducir el número de conceptos erróneos y diagnósticos incorrectos. Los modelos de clasificación utilizados convencionalmente se centran en técnicas de extracción de características específicas para un problema particular basado en información del dominio. Las estrategias de aprendizaje profundo se están convirtiendo en alternativas prometedoras para resolver los muchos desafíos de los enfoques basados en características. Este estudio introduce un método de aprendizaje profundo basado en una red neuronal convolucional (ConvNet) para extraer características a diferentes densidades y discernir las regiones normales y sospechosas de la mamografía. Se llevaron a cabo dos experimentos diferentes para realizar un diagnóstico y clasificación precisos. El primer experimento consistió en cinco redes neuronales convolucionales profundas (DCNN) preentrenadas y ajustadas de extremo a extremo. Las características extraídas en profundidad de la ConvNet también se utilizan para entrenar el algoritmo de máquina de soporte vectorial para lograr un excelente rendimiento en el segundo experimento. Además, DCNN es el método de interpretación y clasificación de imágenes más utilizado, incluyendo VGGNet, GoogLeNet, MobileNet, ResNet y DenseNet. Además, este estudio se refiere a la limpieza de datos, el preprocesamiento y la augmentación de datos, y la mejora de la precisión en el reconocimiento de masas. La eficacia de todos los modelos se evalúa entrenando y probando tres conjuntos de datos de mamografía y ha mostrado resultados notables. Nuestro modelo ConvNet+SVM de aprendizaje profundo obtuvo una precisión de entrenamiento discriminativa del 97.7% y una precisión de validación del 97.8%; en contraste, el método VGGNet16 arrojó un 90.2%, 93.5% para VGGNet19, 63.4% para GoogLeNet, 82.9% para MobileNetV2, 75.1% para ResNet50 y 72.9% para DenseNet121. La mejora y validación del modelo propuesto son apropiadas en prácticas patológicas convencionales que posiblemente reducen la carga del patólogo al predecir resultados clínicos mediante el análisis de las imágenes de mamografía de los pacientes.