La identificación de la malignidad de los tejidos a partir de imágenes histopatológicas siempre ha sido un tema de preocupación para los médicos y radiólogos. Esta tarea es laboriosa, tediosa y, además, muy desafiante. El éxito en la detección de malignidad a partir de imágenes histopatológicas depende principalmente de la experiencia a largo plazo, aunque a veces los expertos no están de acuerdo en sus decisiones. Sin embargo, las técnicas de Diagnóstico Asistido por Computadora (CAD) ayudan al radiólogo a dar una segunda opinión que puede aumentar la fiabilidad de la decisión del radiólogo. Entre las diferentes técnicas de análisis de imágenes, la clasificación de las imágenes siempre ha sido una tarea desafiante. Debido a la intensa complejidad de las imágenes biomédicas, siempre es muy complicado proporcionar una decisión fiable sobre una imagen. La técnica de Red Neuronal Convolucional (CNN) de última generación ha tenido un gran éxito en la clasificación de imágenes naturales. Utilizando técnicas de ingeniería avanzadas junto con la CNN, en este documento hemos clasificado un conjunto de imágenes de Cáncer de Mama (BC) histopatológicas utilizando un modelo CNN de última generación que contiene un bloque residual. La operación convencional de la CNN toma imágenes en bruto como entrada y extrae las características globales; sin embargo, las características locales orientadas a objetos también contienen información significativa; por ejemplo, el Patrón Binario Local (LBP) representa la información textural efectiva, el Histograma representa la distribución de la fuerza de los píxeles, la Transformada Contourlet (CT) proporciona información mucho más detallada sobre la suavidad de los bordes, y la Transformada Discreta de Fourier (DFT) deriva información en el dominio de la frecuencia de la imagen. Aprovechando estas ventajas, junto con nuestro modelo CNN novedoso propuesto, hemos examinado el rendimiento del modelo CNN novedoso como clasificador de imágenes histopatológicas. Para ello, hemos introducido cinco casos: (a) Red Neuronal Convolucional Imagen en Bruto (CNN-I); (b) Red Neuronal Convolucional Histograma CT (CNN-CH); (c) Red Neuronal Convolucional LBP CT (CNN-CL); (d) Red Neuronal Convolucional Transformada Discreta de Fourier (CNN-DF); (e) Red Neuronal Convolucional Transformada Discreta de Coseno (CNN-DC). Hemos realizado nuestros experimentos en el conjunto de datos de imágenes BreakHis. El mejor rendimiento se logra cuando utilizamos el modelo CNN-CH en un conjunto de datos de 200x que proporciona una Precisión, Sensibilidad, Tasa de Falsos Positivos, Tasa de Falsos Negativos, Valor de Recuperación, Precisión y F-medida de 92.19%, 94.94%, 5.07%, 1.70%, 98.20%, 98.00% y 98.00%, respectivamente.