El cáncer de piel es una preocupación de salud global importante y una de las formas más mortales de cáncer. La detección temprana y precisa aumenta significativamente las posibilidades de supervivencia. Sin embargo, los métodos tradicionales de inspección visual son lentos y propensos a errores debido a artefactos y ruido en las imágenes dermatoscópicas. Para abordar estos desafíos, este documento propone un innovador marco basado en aprendizaje profundo que integra un conjunto de dos redes neuronales convolucionales (CNN) pre-entrenadas, SqueezeNet e InceptionResNet-V2, combinadas con un Algoritmo de Optimización de Ballenas (WOA) mejorado para la selección de características. Las características profundas extraídas de ambos modelos se fusionan para crear un conjunto de características completo, que luego se optimiza utilizando el WOA mejorado propuesto que emplea una función de decaimiento cuadrático para ajuste dinámico de parámetros y un mecanismo de mutación avanzado para evitar la convergencia prematura. Las características optimizadas se alimentan a clasificadores de aprendizaje automático para lograr un rendimiento de clasificación robusto. La efectividad del marco se evalúa en dos conjuntos de datos de referencia, PH2 y Med-Node, logrando precisión de clasificación de vanguardia del 95.48% y 98.59%, respectivamente. El análisis comparativo con algoritmos de optimización existentes y enfoques de clasificación de cáncer de piel demuestra la superioridad del método propuesto en términos de precisión, robustez y eficiencia computacional. Nuestro método supera al algoritmo genético (GA), la Optimización por Enjambre de Partículas (PSO) y el algoritmo del moho (SMA), así como a modelos de clasificación de cáncer de piel basados en aprendizaje profundo, que han reportado precisión del 87% al 94% en estudios anteriores. Una metodología de selección de características más efectiva mejora la precisión y reduce la sobrecarga computacional manteniendo un rendimiento robusto. Nuestro conjunto de aprendizaje profundo mejorado y técnica de selección de características pueden mejorar el diagnóstico del cáncer de piel en etapas tempranas, como lo demuestran estos datos.