La pandemia de coronavirus se está propagando por todo el mundo. Las modalidades de imágenes médicas como la radiografía juegan un papel importante en la lucha contra el COVID-19. Las técnicas de aprendizaje profundo (DL) han logrado mejorar las herramientas de imágenes médicas y ayudar a los radiólogos a tomar decisiones clínicas para el diagnóstico, monitoreo y pronóstico de diferentes enfermedades. Los sistemas de diagnóstico asistido por computadora (CAD) pueden mejorar la eficiencia del trabajo al delinear con precisión las infecciones en las imágenes de radiografía de tórax (CXR), facilitando así la cuantificación posterior. CAD también puede ayudar a automatizar el proceso de exploración y remodelar el flujo de trabajo con un contacto mínimo del paciente, brindando la mejor protección para los técnicos de imágenes. El objetivo de este estudio es desarrollar un algoritmo de aprendizaje profundo para detectar COVID-19, neumonía y casos normales en imágenes de CXR. Proponemos dos problemas de clasificación, (i) una clasificación binaria para clasificar casos de COVID-19 y normales y (ii) una clasificación multiclase para COVID-19, neumonía y normales. Se utilizan nueve conjuntos de datos y más de 3200 imágenes de CXR de COVID-19 para evaluar la eficiencia de la técnica propuesta. El modelo se entrena en un subconjunto del conjunto de datos del Instituto Nacional de Salud (NIH) utilizando la activación swish, mejorando así la precisión del entrenamiento para detectar COVID-19 y otras neumonías. Los modelos se prueban en ocho conjuntos de datos fusionados y en conjuntos de pruebas individuales para confirmar el grado de generalización de los algoritmos propuestos. También se desarrolla un algoritmo de explicabilidad para mostrar visualmente la ubicación de las áreas infectadas del pulmón detectadas por el modelo. Además, proporcionamos un análisis detallado de las imágenes mal clasificadas. Los resultados obtenidos logran altos rendimientos con un Área Bajo la Curva (AUC) de 0.97 para la clasificación multiclase (COVID-19 vs. otras neumonías vs. normales) y 0.98 para el modelo binario (COVID-19 vs. normales). La sensibilidad y especificidad promedio son 0.97 y 0.98, respectivamente. La sensibilidad de la clase COVID-19 alcanza 0.99. Los resultados superaron a los modelos comparables de última generación para la detección de COVID-19 en imágenes de CXR. El modelo de explicabilidad muestra que nuestro modelo es capaz de identificar eficientemente los signos de COVID-19.