Las enfermedades relacionadas con enfermedades infecciosas siempre han sido una preocupación a escala global. Cada año, la neumonía (neumonía viral y bacteriana), la tuberculosis (TB), COVID-19 y la opacidad pulmonar (LO) causan millones de muertes porque todas afectan a los pulmones. La detección y diagnóstico tempranos pueden ayudar a crear oportunidades para un mejor cuidado en todas las circunstancias. Numerosas pruebas, incluidas pruebas moleculares (RT-PCR), pruebas de recuento sanguíneo completo (CBC), pruebas de tuberculina de Monteux (TST) y ecografías, se utilizan para detectar y clasificar estas enfermedades. Sin embargo, estas pruebas llevan mucho tiempo, tienen una tasa de error del 20% y son un 80% sensibles. Por lo tanto, con la ayuda de un médico, se utilizan pruebas radiográficas como la tomografía computarizada (CT) e imágenes radiográficas de tórax (CRIs) para detectar trastornos pulmonares. Con CRIs o imágenes de CT-scan, existe el peligro de que las características de los diagnósticos de diversas enfermedades pulmonares se superpongan. La automatización de dicho método es necesaria para clasificar correctamente las enfermedades utilizando CRIs. La motivación principal detrás del estudio fue que no hay un método para identificar y clasificar estas enfermedades pulmonares (LO, neumonía, VP, BP, TB, COVID-19). En este documento se propone el modelo de aprendizaje profundo DeepLungNet, que comprende 20 capas aprendibles, es decir, 18 capas de convolución (ConV) y 2 capas completamente conectadas (FC). La arquitectura utiliza la función de activación Leaky ReLU (LReLU), un módulo de fuego, una capa de agrupación máxima, conexiones de atajo, una operación de normalización de lotes (BN) y capas de convolución de grupo, lo que lo convierte en un marco novedoso de clasificación de enfermedades pulmonares. Este es un método útil basado en DL para clasificar trastornos pulmonares, y probamos la efectividad del marco sugerido en dos conjuntos de datos con una variedad de imágenes de diferentes conjuntos de datos. Hemos realizado dos experimentos: una clasificación de cinco clases (TB, neumonía, COVID-19, LO y normal) y una clasificación de seis clases (VP, BP, COVID-19, normal, TB y LO). La precisión promedio del marco sugerido para clasificar enfermedades pulmonares en TB, neumonía, COVID-19, LO y normal utilizando CRIs fue impresionante, 97,47%. Hemos verificado el rendimiento de nuestro marco en una base de datos de imágenes de acceso público del sector agrícola para evaluar aún más su rendimiento y validar su generalizabilidad. Este estudio ofrece un método eficiente y automatizado para clasificar enfermedades pulmonares que ayuda en la detección temprana de enfermedades pulmonares. Esta estrategia mejora significativamente la supervivencia de los pacientes, los posibles tratamientos y limita la transmisión de enfermedades infecciosas en la sociedad.