Las ciencias médicas enfrentan un problema importante con la auto detección de enfermedades debido al rápido crecimiento en la densidad de población. Los sistemas inteligentes asisten a los profesionales médicos en la detección temprana de enfermedades y también ayudan a proporcionar un tratamiento consistente que reduce la tasa de mortalidad. El cáncer de piel es considerado el tipo de cáncer más mortal y grave. Los profesionales médicos utilizan imágenes de dermatoscopia para realizar un diagnóstico manual de cáncer de piel. Este método es laborioso y consume tiempo, y requiere un nivel considerable de experiencia. Los métodos de detección automatizada son necesarios para la detección temprana del cáncer de piel. La presencia de cabello y burbujas de aire en las imágenes dermatoscópicas afecta el diagnóstico del cáncer de piel. Esta investigación tiene como objetivo clasificar ocho tipos diferentes de cáncer de piel, a saber, queratosis actínica (AKs), dermatofibroma (DFa), melanoma (MELa), carcinoma de células basales (BCCa), carcinoma de células escamosas (SCCa), nevo melanocítico (MNi), lesión vascular (VASn) y queratosis benigna (BKs). En este estudio, proponemos SNC_Net, que integra características derivadas de imágenes dermatoscópicas a través de modelos de aprendizaje profundo (DL) y métodos de extracción de características hechas a mano (HC) con el objetivo de mejorar el rendimiento del clasificador. Se emplea una red neuronal convolucional (CNN) para la clasificación. Se utilizan imágenes de dermatoscopia del conjunto de datos ISIC 2019 de acceso público para la detección de cáncer de piel para entrenar y validar el modelo. El rendimiento del modelo propuesto se compara con cuatro modelos de referencia, a saber, EfficientNetB0 (B1), MobileNetV2 (B2), DenseNet-121 (B3) y ResNet-101 (B4), y seis clasificadores de vanguardia (SOTA). Con una precisión del 97.81%, una precisión del 98.31%, una recuperación del 97.89% y una puntuación F1 del 98.10%, el modelo propuesto superó a los clasificadores SOTA y a los cuatro modelos de referencia. Además, también se realiza un estudio de ablación en el método propuesto para validar su rendimiento. Por lo tanto, el método propuesto ayuda a los dermatólogos y otros profesionales médicos en la detección temprana del cáncer de piel.