La neumonía ha causado significativas muertes en todo el mundo, y es una tarea desafiante detectar muchas enfermedades pulmonares como la atelectasia, cardiomegalia, cáncer de pulmón, etc., a menudo debido a la limitada cantidad de radiólogos profesionales en entornos hospitalarios. En este documento, desarrollamos una arquitectura de modelo basada en VGG de forma sencilla con menos capas. Además, para abordar el contraste insuficiente de las imágenes de radiografías de tórax, lo que provoca diagnósticos ambiguos, se utiliza la técnica de Mejora Dinámica del Histograma para preprocesar las imágenes. Los parámetros de nuestro modelo se reducen en un 97.51% en comparación con VGG-16, un 85.86% en comparación con Res-50, un 83.94% en comparación con Xception, un 51.92% en comparación con DenseNet121, pero aumentan MobileNet en un 4%. Sin embargo, el rendimiento del modelo propuesto (precisión: 96.068%, AUC: 0.99107 con un intervalo de confianza del 95% de [0.984, 0.996], precisión: 94.408%, sensibilidad: 90.823%, puntuación F1: 92.851%) es superior a los modelos mencionados anteriormente (VGG-16: precisión, 94.359%, AUC: 0.98928; Res-50: precisión, 92.821%, AUC, 0.98780; Xception: precisión, 96.068%, AUC, 0.99623; DenseNet121: precisión, 87.350%, AUC, 0.99347; MobileNet: precisión, 95.473%, AUC, 0.99531). El conjunto de datos original de Clasificación de Neumonía en Kaggle se divide en tres subconjuntos, entrenamiento, validación y pruebas de forma aleatoria en proporciones del 70%, 10% y 20%. El rendimiento del modelo en la detección de neumonía muestra que el modelo propuesto basado en VGG podría clasificar efectivamente radiografías normales y anormales en la práctica, reduciendo así la carga de trabajo de los radiólogos.