La Retinopatía Diabética es una de las principales causas de pérdida de visión y ceguera que afecta a millones de personas en todo el mundo. Aunque existen métodos de detección establecidos -angiografía con fluoresceína y tomografía de coherencia óptica para la detección de la enfermedad, en la mayoría de los casos, los pacientes permanecen ignorantes y no realizan dichas pruebas en el momento adecuado. La detección temprana de la enfermedad juega un papel extremadamente importante en la prevención de la pérdida de visión, que es la consecuencia de la diabetes mellitus sin tratar entre los pacientes durante un período de tiempo prolongado. Se han implementado diversos enfoques de aprendizaje automático y aprendizaje profundo en el conjunto de datos de retinopatía diabética para la clasificación y predicción de la enfermedad, pero la mayoría de ellos han descuidado el aspecto del preprocesamiento de datos y la reducción de dimensionalidad, lo que conduce a resultados sesgados. El conjunto de datos utilizado en el presente estudio es un conjunto de datos de retinopatía diabética recopilado del repositorio de aprendizaje automático de UCI. En sus inicios, el conjunto de datos sin procesar se normaliza utilizando la técnica de Standardscalar y luego se utiliza el Análisis de Componentes Principales (PCA) para extraer las características más significativas en el conjunto de datos. Además, se implementa el algoritmo Firefly para la reducción de dimensionalidad. Este conjunto de datos reducido se alimenta en un Modelo de Red Neuronal Profunda para la clasificación. Los resultados generados por el modelo se evalúan frente a los modelos de aprendizaje automático prevalentes y los resultados justifican la superioridad del modelo propuesto en términos de Precisión, Sensibilidad y Especificidad.