La detección de regiones tiene una influencia en el mejor tratamiento de los tumores cerebrales. Los algoritmos existentes en la detección temprana de tumores son difíciles de diagnosticar de manera confiable. En este documento, presentamos un nuevo algoritmo robusto que utiliza tres métodos para la clasificación de enfermedades cerebrales. El primer método es Onda-Generalizada Autoregresiva Heterocedasticidad Condicional-K-Vecinos Más Cercanos (W-GARCH-KNN). La Onda Discreta Bidimensional (2D-DWT) se utiliza como imágenes de entrada. Los coeficientes de onda sub-banda se modelan utilizando el modelo GARCH. Las características del modelo GARCH se consideran como el vector de propiedades principal. El segundo método es el Desarrollado Onda-GARCH-KNN (D-WGK), que resuelve la incompatibilidad del método WGK para el uso de una sub-banda de paso bajo. El tercer método es la Aproximación Lineal Local de Onda (LLA)-KNN, que utilizamos para modelar las sub-bandas de onda. Las características extraídas se aplicaron por separado para determinar la imagen normal o el tumor cerebral basado en métodos de clasificación. La clasificación se realizó para el diagnóstico de tipos de tumores. Los resultados empíricos mostraron que el algoritmo propuesto obtuvo una alta tasa de clasificación y mejores prácticas que los algoritmos recientemente introducidos, al tiempo que requería un menor número de características de clasificación. Según los resultados, las sub-bandas Baja-Baja no se adoptan con el modelo GARCH; por lo tanto, con el uso de filtrado homomórfico, esta limitación se supera. Los resultados mostraron que el método Lineal Local (LL) presentado fue mejor que el modelo GARCH para modelar las sub-bandas de onda.