Al clasificar razas de perros, la precisión de la clasificación afecta significativamente la identificación de razas y la investigación canina. El uso de imágenes para clasificar razas de perros puede mejorar la eficiencia de la clasificación; sin embargo, es cada vez más desafiante debido a las diversidades y similitudes entre las razas de perros. Los métodos tradicionales de clasificación de imágenes dependen principalmente de la extracción de características geométricas simples, mientras que las redes neuronales convolucionales actuales (CNN) son capaces de aprender características semánticas de alto nivel. Sin embargo, la diversidad de razas de perros sigue representando un desafío para la precisión de la clasificación. Para abordar esto, desarrollamos un modelo que integra múltiples CNN con un método de aprendizaje automático, mejorando significativamente la precisión de la clasificación de imágenes de perros. Utilizamos el Conjunto de Datos de Perros de Stanford, combinamos características de imagen de cuatro modelos de CNN, filtramos las características utilizando análisis de componentes principales (PCA) y el algoritmo de optimización de lobo gris (GWO), y luego clasificamos las características con una máquina de vectores de soporte (SVM). La tasa de precisión de clasificación alcanzó el 95,24% para 120 razas y el 99,34% para 76 razas seleccionadas, respectivamente, demostrando una mejora significativa sobre los métodos existentes que utilizan el mismo Conjunto de Datos de Perros de Stanford. Se espera que nuestro método propuesto sirva además como un marco fundamental para la clasificación precisa de una gama más amplia de especies.