El cáncer de piel representa una preocupación significativa para la salud global, exigiendo un diagnóstico temprano para mejorar los resultados de los pacientes y aliviar las cargas en el sistema de salud. A pesar de los avances en los sistemas de diagnóstico automatizados, la mayoría de los enfoques existentes abordan principalmente la clasificación binaria, con un enfoque limitado en la distinción entre múltiples clases de cáncer de piel. La clasificación multiclasificación presenta desafíos significativos debido a las variaciones intra-clase y las similitudes inter-clase, lo que a menudo conduce a errores de clasificación. Estos problemas surgen de las diferencias sutiles entre los tipos de cáncer de piel y las características compartidas entre varias clases. Este artículo propone un modelo de CNN Inception-Residual basado en atención (AIR-CNN) diseñado especialmente para abordar los desafíos relacionados con la clasificación multiclasificación del cáncer de piel. La incorporación del modelo de mecanismo de atención se centra efectivamente en las características más relevantes, mejorando su capacidad para distinguir entre clases visualmente similares y aquellas con variaciones intra-clase. El mecanismo de atención también facilita un entrenamiento efectivo con muestras limitadas. La inclusión de bloques Inception-Residual (IR) mitiga los gradientes que desaparecen, mejora la extracción de características a múltiples escalas y reduce los parámetros, creando un modelo ligero pero preciso. La evaluación experimental del conjunto de datos ISIC 2019 demuestra un rendimiento superior con una precisión del 91.63% y menos parámetros que los métodos de última generación, lo que lo hace adecuado para aplicaciones prácticas, contribuyendo así al avance de los sistemas de diagnóstico automatizado del cáncer de piel.