En medicina de rehabilitación pediátrica, los métodos de evaluación manual para la integración visomotora resultan en estándares de puntuación inconsistentes. Para abordar estos problemas, la incorporación de tecnología de inteligencia artificial (IA) es un enfoque factible que puede reducir el tiempo y mejorar la precisión. La investigación existente sobre la puntuación de integración visomotora ha propuesto un marco basado en redes neuronales convolucionales (CNN) para la prueba de desarrollo de integración visomotora de Beery-Buktenica. Sin embargo, a medida que aumenta el número de preguntas de entrenamiento, la precisión de este marco disminuye significativamente. Este documento propone una nueva arquitectura para reducir el número de características, canales y complejidad general del modelo. La arquitectura optimiza las características de entrada mediante la concatenación de números de preguntas con características de respuestas y la selección de proporciones de canales apropiadas, y optimiza el vector de salida diseñando la tarea como una clasificación multiclase. También se propone un modelo llamado DenseNet mejorado. Después de experimentar, DenseNet201 fue identificado como el modelo preentrenado más adecuado para esta tarea y se utilizó como la arquitectura base para DenseNet mejorado. Además, se agregaron nuevas capas totalmente conectadas para la extracción y clasificación de características, lo que permite un aprendizaje de características especializadas. La arquitectura puede proporcionar razones para los resultados no puntuados basados en los resultados de predicción y las reglas de decodificación, ofreciendo orientación para el entrenamiento de niños. Los resultados experimentales finales muestran que la nueva arquitectura propuesta mejora la precisión de la puntuación en gráficos de 6 preguntas en un 12,8% y en gráficos de 12 preguntas en un 20,14% en comparación con la literatura más relevante. La precisión de la nueva arquitectura propuesta supera los marcos de modelos de la literatura más relevante, demostrando la efectividad de este enfoque en mejorar la precisión y estabilidad de la puntuación.