La infertilidad afecta a un número significativo de seres humanos. Una tecnología de reproducción asistida se ha verificado para aliviar problemas de infertilidad. La fecundación in vitro (FIV) es una de las mejores opciones, y su éxito depende de la preferencia por un embrión de mayor calidad para la transmisión. Estos han sido normalmente completados físicamente mediante pruebas de embriones en un microscopio. El cálculo morfológico tradicional de embriones muestra desventajas predecibles, incluyendo el esfuerzo y el tiempo consumidos y los riesgos esperados de sesgo relacionados con estimaciones individuales completadas por embriólogos específicos. Diferentes técnicas y dispositivos de visión por computadora (CV) e inteligencia artificial (IA) han sido aplicados recientemente en hospitales de fertilidad para mejorar la eficacia. La IA aborda la imitación del rendimiento intelectual y la capacidad de las tecnologías para simular el aprendizaje cognitivo, el pensamiento y la resolución de problemas típicamente relacionados con los humanos. El aprendizaje profundo (DL) y el aprendizaje automático (ML) son algoritmos de IA avanzados en varios campos y se consideran los principales algoritmos para la futura tecnología asistente humana. Este estudio presenta una técnica de Desarrollo y Morfología de Embriones Utilizando una Visión por Computadora-Ayudada por un Transformador Swin con una Optimización Impulsada de Dipper-Garganta (EDMCV-STBDTO). La técnica EDMCV-STBDTO tiene como objetivo detectar con precisión y eficiencia el desarrollo embrionario, lo cual es crucial para mejorar los tratamientos de fertilidad y avanzar en la biología del desarrollo utilizando técnicas médicas de CV. Principalmente, el método EDMCV-STBDTO realiza un preprocesamiento de imágenes utilizando un modelo de filtro bilateral (BF) para eliminar el ruido. A continuación, se implementa el método del transformador swin para la técnica de extracción de características. El modelo EDMCV-STBDTO emplea el método del autoencoder variacional (VAE) para clasificar el desarrollo embrionario humano. Finalmente, la selección de hiperparámetros del método VAE se implementa utilizando la técnica de optimización impulsada de dipper-garganta (BDTO). La eficacia del método EDMCV-STBDTO se valida mediante estudios exhaustivos utilizando un conjunto de datos de referencia. El resultado experimental muestra que el método EDMCV-STBDTO funciona mejor que las técnicas recientes.