COVID-19, considerado el virus más mortal del siglo XXI, ha cobrado la vida de millones de personas en todo el mundo en menos de dos años. Dado que el virus afecta inicialmente los pulmones de los pacientes, la imagenología por rayos X del tórax es útil para un diagnóstico efectivo. Cualquier método para la detección automática, confiable y precisa de la infección por COVID-19 sería beneficioso para la detección rápida y para reducir la exposición de los profesionales médicos o de salud al virus. En el pasado, las Redes Neuronales Convolucionales (CNN) demostraron ser bastante exitosas en la clasificación de imágenes médicas. En este estudio, se sugiere un método de clasificación automática de aprendizaje profundo para detectar COVID-19 a partir de imágenes de rayos X del tórax utilizando una CNN. Se utilizó un conjunto de datos que consta de 3616 imágenes de rayos X del tórax de COVID-19 y 10,192 imágenes de rayos X del tórax saludables. Los datos originales se aumentaron para incrementar la muestra de datos a 26,000 imágenes de rayos X de COVID-19 y 26,000 imágenes de rayos X saludables. El conjunto de datos se mejoró utilizando ecualización de histograma, espectro, grises, cian y se normalizó con NCLAHE antes de ser aplicado a los modelos de CNN. Inicialmente, utilizando el conjunto de datos, se detectaron los síntomas de COVID-19 empleando once modelos de CNN existentes: VGG16, VGG19, MobileNetV2, InceptionV3, NFNet, ResNet50, ResNet101, DenseNet, EfficientNetB7, AlexNet y GoogLeNet. De los modelos, se seleccionó MobileNetV2 para una modificación adicional con el fin de obtener una mayor precisión en la detección de COVID-19. La evaluación del rendimiento de los modelos se demostró utilizando una matriz de confusión. Se observó que el modelo modificado MobileNetV2 propuesto en el estudio dio la mayor precisión del 98% en la clasificación de rayos X de COVID-19 y saludables entre todos los modelos de CNN implementados. El segundo mejor rendimiento se logró con el MobileNetV2 preentrenado con una precisión del 97%, seguido de VGG19 y ResNet101 con una precisión del 95% para ambos modelos. El estudio compara el tiempo de compilación de los modelos. El modelo propuesto requirió el menor tiempo de compilación con 2 h, 50 min y 21 s. Finalmente, se realizó la prueba de rango con signo de Wilcoxon para probar la significancia estadística. Los resultados sugieren que el método propuesto puede identificar de manera eficiente los síntomas de infección a partir de imágenes de rayos X del tórax mejor que los métodos existentes.