La enfermedad de Alzheimer (AD) es una condición cognitiva mortal en la que las personas desarrollan síntomas graves de demencia. Los neurólogos suelen utilizar una serie de pruebas físicas y mentales para diagnosticar la AD que no siempre son efectivas. El daño a las células cerebrales es el cambio físico más significativo en la AD. Un adecuado análisis de imágenes cerebrales puede ayudar en la identificación de biomarcadores cruciales para la enfermedad. Debido a que el desarrollo de las células cerebrales es tan intrincado, a veces los algoritmos tradicionales de procesamiento de imágenes no logran percibir biomarcadores importantes. La red neuronal profunda (DNN) es una técnica de aprendizaje automático que ayuda a los especialistas a tomar decisiones adecuadas. En este trabajo, utilizamos escáneres de resonancia magnética cerebral para implementar algunos modelos DNN comúnmente utilizados para la clasificación de la AD. Según los resultados de clasificación, donde se observa el promedio de múltiples métricas, que incluye precisión, exactitud, sensibilidad y un puntaje F1, se encontró que el modelo DenseNet-121 logró el mejor rendimiento (86.55%). Dado que DenseNet-121 es un modelo computacionalmente costoso, propusimos una técnica híbrida que incorpora LeNet y AlexNet que es liviana y también capaz de superar a DenseNet. Para extraer características importantes, reemplazamos las capas convolucionales tradicionales con tres filtros pequeños paralelos. El modelo funciona de manera efectiva, con una tasa de rendimiento general del 93.58%. Matemáticamente, se observa que el modelo propuesto genera significativamente menos parámetros convolucionales, lo que resulta en un modelo liviano que es computacionalmente efectivo.