Para juzgar la capacidad de las redes neuronales convolucionales (CNN) de transferir de manera efectiva y eficiente las representaciones de imágenes aprendidas en el conjunto de datos de ImageNet a la tarea de reconocer COVID-19 en este trabajo, proponemos y analizamos cuatro enfoques. Con este fin, utilizamos los modelos de CNN VGG16, ResNetV2, InceptionResNetV2, DenseNet121 y MobileNetV2 pre-entrenados en el conjunto de datos de ImageNet para extraer características de imágenes de rayos X de pacientes con COVID y sin COVID. El estudio de simulaciones realizado por nosotros revela que estos modelos pre-entrenados tienen un nivel diferente de capacidad para transferir la representación de imágenes. Descubrimos que en los enfoques que hemos propuesto, si utilizamos ResNetV2 o DenseNet121 para extraer características, entonces el rendimiento de estos enfoques para detectar COVID-19 es mejor. Uno de los hallazgos importantes de nuestro estudio es que el uso de análisis de componentes principales para la selección de características mejora la eficiencia. El enfoque que utiliza la fusión de características supera a todos los demás enfoques, y con este enfoque, podríamos lograr una precisión del 0.94 para un problema de clasificación de tres clases. Este trabajo no solo será útil para la detección de COVID-19, sino también para cualquier dominio con conjuntos de datos pequeños.