En este artículo, proponemos una metodología robusta de clasificación estelar aprovechando curvas de luz recopiladas de 15 conjuntos de datos dentro del campo de Kepler en el espectro óptico visible. Al emplear un enfoque de conjunto de redes neuronales Bagging, específicamente una Red Neuronal de Enfoque de Rendimiento Bagging (BAPANN), que integra tres arquitecturas de redes neuronales supervisadas, clasificamos con éxito 760 muestras de curvas que representan 9 tipos de estrellas. Nuestro método demostró una alta precisión de clasificación de hasta el 97% utilizando conjuntos de datos de curvas de luz que contienen 13, 20, 50, 150 y 450 puntos por estrella. El BAPANN logró una tasa de error mínima de 0,1559 y mostró un aprendizaje eficiente, requiriendo un promedio de 29 épocas. Además, se clasificaron nueve tipos de variabilidad estelar a través de 45 pruebas realizadas, teniendo en cuenta márgenes de error de 0, 5 y 10 para las muestras de curvas de luz. Estos resultados destacan la robustez del modelo BAPANN contra la incertidumbre y la capacidad de converger rápidamente en términos de iteraciones necesarias para el aprendizaje, entrenamiento y validación.