El aprendizaje profundo ha mejorado en gran medida en los últimos años y ha desempeñado un gran papel en la clasificación de imágenes, lo que también incluye la imagen médica. Las Redes Neuronales Convolucionales (CNNs) han tenido un buen desempeño en la detección de muchas enfermedades, incluyendo la enfermedad de la arteria coronaria, la malaria, la enfermedad de Alzheimer, diferentes enfermedades dentales y la enfermedad de Parkinson. Como en otros casos, las CNN tienen una perspectiva sustancial en la detección de pacientes con COVID-19 con imágenes médicas como radiografías de tórax y tomografías computarizadas. El Coronavirus o COVID-19 ha sido declarado una pandemia global por la Organización Mundial de la Salud (OMS). Hasta el 8 de agosto de 2020, los casos confirmados totales de COVID-19 son 19.18 M y las muertes son 0.716 M en todo el mundo. Detectar pacientes positivos de Coronavirus es muy importante para prevenir la propagación de este virus. En esta conquista, se propone un modelo de CNN para detectar pacientes con COVID-19 a partir de imágenes de radiografías de tórax. Se evalúan dos modelos de CNN adicionales con diferente número de capas de convolución y tres modelos basados en ResNet50, VGG-16 y VGG-19 preentrenados con un análisis analítico comparativo. Los seis modelos se entrenan y validan con Dataset 1 y Dataset 2. El Dataset 1 tiene 201 radiografías de tórax normales y 201 de COVID-19, mientras que el Dataset 2 es comparativamente más grande con 659 radiografías de tórax normales y 295 imágenes de radiografías de tórax de COVID-19. El modelo propuesto tiene una precisión del 98.3% y una precisión del 96.72% con Dataset 2. Este modelo proporciona un área de la curva de Característica Operativa del Receptor (ROC) de 0.983 y un puntaje F1 de 98.3 con Dataset 2. Además, este trabajo muestra un análisis comparativo de cómo el cambio en las capas de convolución y el aumento en el conjunto de datos afectan el rendimiento de la clasificación.