El cáncer de mama (BC) es un tipo de cáncer que sufren las mujeres adultas en todo el mundo. Un diagnóstico tardío de BC conduce a la muerte, por lo que un diagnóstico temprano es esencial para salvar vidas. Hay muchos métodos para diagnosticar BC, incluida la biopsia abierta quirúrgica (SOB), que sin embargo constituye una carga intensa para los patólogos para seguir SOB y además lleva mucho tiempo. Por lo tanto, los sistemas de inteligencia artificial pueden ayudar al diagnosticar con precisión el BC de manera temprana; es una herramienta que puede ayudar a los médicos a tomar decisiones diagnósticas acertadas. En este estudio, se aplicaron dos enfoques propuestos, cada uno con dos sistemas, para diagnosticar BC en un conjunto de datos con factores de magnificación (MF): 40x, 100x, 200x y 400x. El primer método propuesto es una tecnología híbrida entre los modelos CNN (AlexNet y GoogLeNet) que extraen características y las clasifican usando la máquina de vectores de soporte (SVM). Así, todos los conjuntos de datos de BC fueron diagnosticados utilizando AlexNet + SVM y GoogLeNet + SVM. El segundo método propuesto diagnostica todos los conjuntos de datos de BC mediante ANN basado en la combinación de características CNN con características hechas a mano extraídas utilizando el histograma de color difuso (FCH), el patrón binario local (LBP) y la matriz de co-ocurrencia de niveles de gris (GLCM), que colectivamente se llama características de fusión. Finalmente, las características de fusión se alimentaron en una red neuronal artificial (ANN) para la clasificación. Este método ha demostrado su capacidad superior para diagnosticar imágenes histopatológicas (HI) de BC con precisión. El algoritmo ANN basado en características de fusión logró resultados del 100% para todas las métricas con el conjunto de datos de 400x.