La Organización Mundial de la Salud y el Seguro Nacional de Salud de Corea afirman que el número de pacientes con alopecia aumenta cada año, y aproximadamente el 70 por ciento de los adultos sufren problemas en el cuero cabelludo. Aunque la alopecia es un problema genético, es difícil de diagnosticar en una etapa temprana. Aunque los enfoques basados en aprendizaje profundo han sido efectivos para el análisis de imágenes médicas, es desafiante generar modelos de aprendizaje profundo para la detección y análisis de la alopecia debido a que crear un conjunto de datos de imágenes de alopecia es desafiante. En este documento, presentamos un enfoque para generar un modelo especializado en análisis de alopecia que logra una alta precisión mediante la aplicación de preprocesamiento de datos, aumento de datos y un conjunto de modelos de aprendizaje profundo que han sido efectivos para el análisis de imágenes médicas. Utilizamos un conjunto de datos de imágenes de alopecia que contiene 526 imágenes de alopecia leve, 13,156 moderada, 3742 moderada y 825 severa. El conjunto de datos fue aumentado aún más aplicando normalización, aumento basado en geometría (rotación, volteo vertical, volteo horizontal, recorte y transformación afín) y aumento de PCA. Comparamos el rendimiento de un solo modelo de aprendizaje profundo utilizando ResNet, ResNeXt, DenseNet, XceptionNet y conjuntos de estos modelos. El mejor resultado se logró cuando DenseNet, XceptionNet y ResNet se combinaron para lograr una precisión del 95.75 y una puntuación F1 de 87.05.