Diseñar sistemas de diagnóstico asistido por computadora (CAD) que puedan detectar automáticamente enfermedades oculares (ODs) se ha convertido en un campo de investigación activo en el ámbito de la salud. Aunque el ojo humano puede tener más de una OD simultáneamente, la mayoría de los sistemas existentes están diseñados para detectar enfermedades oculares específicas. Por lo tanto, es crucial desarrollar nuevos sistemas CAD que puedan detectar múltiples ODs simultáneamente. Este artículo presenta un novedoso sistema de red neuronal convolucional de múltiples etiquetas (ML-CNN) basado en clasificación de múltiples etiquetas (MLC) para diagnosticar diversas ODs a partir de imágenes de fondo de ojo en color. El sistema ML-CNN propuesto consta de tres fases principales: la fase de preprocesamiento, que incluye normalización y aumento mediante varios procesos de transformación, la fase de modelado y la fase de predicción. El ML-CNN propuesto consta de tres capas de convolución (CONV) y una capa de max pooling (MP). Luego, se realizan dos capas CONV, seguidas de una capa MP y de eliminación (DO). Después de eso, se realiza una capa de aplanamiento, seguida de una capa totalmente conectada (FC). Agregamos otra DO una vez más y, finalmente, se realiza una capa FC con 45 nodos. El sistema arroja las probabilidades de las 45 enfermedades en cada imagen. Validamos el modelo utilizando validación cruzada (CV) y medimos el rendimiento mediante cinco métricas diferentes: precisión (ACC), recall, precisión, coeficiente de similitud de Dice (DSC) y área bajo la curva (AUC). Los resultados son 94.3%, 80%, 91.5%, 99% y 96.7%, respectivamente. Las comparaciones con los modelos integrados existentes, como MobileNetV2, DenseNet201, SeResNext50, InceptionV3 e InceptionresNetv2, demuestran la superioridad del modelo ML-CNN propuesto.