En el dominio de diagnósticos radiológicos, detectar y clasificar con precisión los tumores cerebrales a partir de resonancias magnéticas (MRI) presenta desafíos significativos, principalmente debido a las manifestaciones complejas y diversas de los tumores en estas imágenes. En este documento, se ha propuesto una arquitectura basada en bloques convolucionales para la detección de tumores cerebrales de varias clases utilizando resonancias magnéticas. Aprovechando las fortalezas de las CNN, nuestro marco propuesto demuestra robustez y eficiencia en distinguir entre diferentes tipos de tumores. Evaluaciones extensas en tres conjuntos de datos diversos subrayan la precisión diagnóstica excepcional del modelo, con una tasa de precisión promedio del 97.52%, precisión del 97.63%, sensibilidad del 97.18%, especificidad del 98.32% y puntuación F1 del 97.36%. Estos resultados superan a métodos contemporáneos, incluidos modelos de última generación como VGG16, VGG19, MobileNet, EfficientNet, ResNet50, Xception y DenseNet121. Además, su adaptabilidad a través de diferentes modalidades de resonancia magnética subraya su potencial para una amplia aplicación clínica, ofreciendo un avance significativo en el campo de diagnósticos radiológicos y detección de tumores cerebrales.