En visión por computadora y análisis de imágenes, las Redes Neuronales Convolucionales (CNNs) y otros modelos de aprendizaje profundo están a la vanguardia de la investigación y el desarrollo. Estos modelos avanzados han demostrado ser altamente efectivos en tareas relacionadas con la visión por computadora. Una técnica que ha cobrado importancia en los últimos años es la construcción de conjuntos utilizando CNNs profundos. Estos conjuntos generalmente implican combinar múltiples CNNs preentrenadas para crear una red más potente y robusta. El propósito de este estudio es evaluar la efectividad de construir conjuntos de CNN combinando varias técnicas avanzadas. Aquí se prueban conjuntos de CNN construidos reemplazando capas ReLU con diferentes funciones de activación, empleando diversas técnicas de aumento de datos y utilizando varios algoritmos, incluidos algunos novedosos, que perturban los pesos de la red. Los resultados experimentales realizados en muchos conjuntos de datos que representan diferentes tareas demuestran que nuestros métodos propuestos para construir conjuntos profundos producen resultados superiores.