La pandemia de COVID-19 ha planteado desafíos significativos en el diagnóstico preciso de la enfermedad, ya que los casos graves pueden presentar síntomas similares a la neumonía. La técnica de diagnóstico convencional es la Reacción en Cadena de la Polimerasa de Transcriptasa Inversa en Tiempo Real (RT-PCR); sin embargo, tiene limitaciones en términos de procedimientos de laboratorio que consumen tiempo y disponibilidad de kits. Las imágenes radiológicas del tórax, como radiografías y tomografías computarizadas (TC), han sido esenciales para ayudar en el proceso de diagnóstico. En este artículo de investigación, proponemos un enfoque de aprendizaje profundo (DL) basado en Redes Neuronales Convolucionales (CNN) para mejorar la detección de COVID-19 y sus variantes a partir de imágenes de radiografías de tórax. Basándonos en la investigación existente en la identificación de SARS y COVID-19 utilizando técnicas de inteligencia artificial y aprendizaje automático, nuestro modelo DL tiene como objetivo extraer las características más significativas de las exploraciones de rayos X de individuos afectados. Al emplear una técnica explicativa basada en CNN, logramos una precisión prometedora de hasta en la detección de casos de COVID-19, lo que puede ayudar a los médicos en la detección y identificación efectiva de posibles pacientes con COVID-19. Este estudio destaca el potencial de DL en imágenes médicas, específicamente en la detección de COVID-19 a partir de imágenes radiológicas. La mayor precisión de nuestro modelo demuestra su eficacia para ayudar a los profesionales de la salud y mitigar la propagación de la enfermedad.