Antecedentes: La sangre es responsable de suministrar nutrientes a varios órganos, que almacenan información importante sobre la salud del cuerpo humano. Por lo tanto, el diagnóstico de la sangre puede ayudar indirectamente a los médicos a juzgar el estado físico de una persona. Recientemente, los investigadores han aplicado el aprendizaje profundo (DL) al análisis automático de células sanguíneas. Sin embargo, todavía existen algunas deficiencias en estos modelos. Métodos: Para hacer frente a estos problemas, proponemos una red novedosa para la clasificación múltiple de células sanguíneas, llamada DLBCNet. Se diseña un nuevo modelo específico para células sanguíneas (BCGAN) para generar imágenes sintéticas. Se implementa ResNet50 pre-entrenado como modelo base, que sirve como extractor de características. Las características extraídas se alimentan a la ETRN propuesta para mejorar el rendimiento de la clasificación múltiple de células sanguíneas. Resultados: La precisión promedio, sensibilidad promedio, precisión promedio, especificidad promedio y puntuación f1 promedio del modelo propuesto son del 95.05%, 93.25%, 97.75%, 93.72% y 95.38%, respectivamente. Conclusiones: El rendimiento del modelo propuesto supera a otros métodos de vanguardia en los resultados de clasificación reportados.