Los tumores en el cerebro pueden ser potencialmente mortales, lo que hace que la detección temprana y precisa sea crucial para un tratamiento efectivo y mejores resultados para los pacientes. Las técnicas de aprendizaje profundo (DL) han mostrado un potencial significativo en la automatización del diagnóstico temprano de tumores cerebrales al analizar imágenes de resonancia magnética (IRM), ofreciendo un enfoque más eficiente y preciso para la clasificación. Las redes neuronales convolucionales profundas (DCNN), que son un subcampo del DL, tienen el potencial de analizar datos de IRM de manera rápida y precisa y, como tal, asistir a los radiólogos humanos, facilitando diagnósticos más rápidos y un inicio de tratamiento más temprano. Este estudio presenta un conjunto de tres modelos DCNN de alto rendimiento, es decir, DenseNet169, EfficientNetB0 y ResNet50, para la clasificación precisa de tumores cerebrales y muestras de IRM sin tumor. Nuestro modelo de conjunto propuesto demuestra mejoras significativas en varios parámetros de evaluación en comparación con modelos DCNN individuales de última generación (SOTA). Implementamos diez modelos DCNN SOTA, es decir, EfficientNetB0, ResNet50, DenseNet169, DenseNet121, SqueezeNet, ResNet34, ResNet18, VGG16, VGG19 y LeNet5, y proporcionamos una comparación detallada del rendimiento. Evaluamos estos modelos utilizando dos tasas de aprendizaje (LR) de 0.001 y 0.0001 y dos tamaños de lote (BS) de 64 y 128 e identificamos los hiperparámetros óptimos para cada modelo. Nuestros hallazgos indican que el enfoque de conjunto supera a los modelos individuales, con un 92% de precisión, un 90% de precisión, un 92% de recuperación y un puntaje F1 del 91% con un tamaño de lote de 64 y una tasa de aprendizaje de 0.0001. Este estudio no solo destaca el rendimiento superior de la técnica de conjunto, sino que también ofrece una comparación integral con la investigación más reciente.