La imagen de fondo es una imagen que captura la parte posterior del ojo (retina), que desempeña un papel importante en la detección de una enfermedad, incluida la retinopatía diabética (RD). Es la complicación más común en los diabéticos que sigue siendo una causa importante de discapacidad visual, especialmente en el grupo de edad joven y económicamente activo. En pacientes con RD, el diagnóstico temprano puede ayudar de manera efectiva a prevenir el riesgo de pérdida de visión. La detección de RD fue realizada por un oftalmólogo analizando las lesiones en la imagen de fondo. Sin embargo, el aumento de la prevalencia de la RD no es proporcional a la disponibilidad de oftalmólogos que puedan leer imágenes de fondo. Esto puede llevar a una prevención y manejo retardados de la RD. Por lo tanto, se necesita un sistema de diagnóstico automatizado, ya que puede ayudar a los oftalmólogos a aumentar la eficiencia del proceso de diagnóstico. Este artículo proporciona un enfoque de aprendizaje profundo con el modelo concatenado para la clasificación de imágenes de fondo con tres clases: sin RD, retinopatía diabética no proliferativa (RDNP) y retinopatía diabética proliferativa (RDP). La arquitectura del modelo utilizada es DenseNet121 e Inception-ResNetV2. Los resultados de extracción de características de los dos modelos se combinan y se clasifican utilizando el método de perceptrón multicapa (MLP). El método que proponemos muestra una mejora en comparación con un solo modelo con resultados de precisión, y precisión y recuperación promedio del 91% y 90% para el puntaje F1, respectivamente. Este experimento demuestra que nuestro enfoque de aprendizaje profundo propuesto es efectivo para la clasificación automática de RD utilizando datos de fotos de fondo.