La clasificación de vehículos es una tarea desafiante en el área de procesamiento de imágenes. Implica la clasificación de varios vehículos basada en su color, modelo y marca. Una variedad distintiva de vehículos pertenecientes a diversas categorías de modelos se ha desarrollado en la industria automotriz, lo que ha hecho necesario establecer un sistema compacto que pueda clasificar vehículos dentro de un grupo de modelos complejo. Un sistema de clasificación de vehículos bien establecido tiene aplicaciones en seguridad, monitoreo de vehículos en cámaras de tráfico, análisis de rutas en vehículos autónomos y sistemas de control de tráfico. En este trabajo, se propone un modelo híbrido basado en la integración de una Red Neuronal Convolucional (CNN) pre-entrenada y un modelo de selección de características evolutivas para la clasificación de vehículos. El modelo propuesto realiza la clasificación de ocho categorías diferentes de vehículos, incluidos automóviles deportivos, automóviles de lujo y SUVs híbridos de alto rendimiento. Los datos utilizados en este trabajo se derivan del conjunto de datos de automóviles de Stanford que contiene casi 196 automóviles y clases de vehículos. Después de realizar los pasos adecuados de preparación y preprocesamiento de datos, se lleva a cabo el aprendizaje y extracción de características utilizando primero VGG16 pre-entrenado que aprende y extrae características profundas del conjunto de imágenes de entrada. Estas características se extraen de la última capa totalmente conectada de VGG16, y se realiza la fase de optimización de características utilizando el modelo de optimización inspirado en la naturaleza basado en evolución Algoritmo Genético (GA). La clasificación se realiza utilizando numerosos núcleos SVM donde el SVM Cúbico logra una precisión del 99.7% y supera a otros núcleos, así como sobresale en términos de rendimiento en comparación con los trabajos existentes.