Las Redes Neuronales Convolucionales (CNN) han ganado una utilización significativa en sistemas automatizados de clasificación de imágenes. Las CNN tienen la capacidad de aprovechar las correlaciones espaciales y temporales inherentes en un conjunto de datos. Este estudio profundiza en el uso de técnicas avanzadas de aprendizaje profundo para la clasificación precisa de datos de imágenes, centrándose en superar las dificultades provocadas por la pandemia de COVID-19. Con el fin de mejorar la precisión y robustez de la clasificación de imágenes de COVID-19, el estudio introduce una nueva metodología que combina la fuerza de las Redes Neuronales Convolucionales Profundas (DCNN) y las Redes Generativas Antagónicas (GAN). Este estudio propuesto ayuda a mitigar la falta de imágenes etiquetadas de coronavirus (COVID-19), que ha sido una limitación estándar en investigaciones relacionadas, y mejora la capacidad del modelo para distinguir entre patrones relacionados con COVID-19 y imágenes de pulmones sanos. El estudio utiliza un caso de estudio exhaustivo y un conjunto de datos considerable de imágenes de radiografías de tórax que cubren casos de COVID-19, otras condiciones respiratorias y condiciones de pulmones sanos. El modelo integrado supera a las técnicas convencionales basadas en DCNN en términos de precisión de clasificación después de ser entrenado en este conjunto de datos. Para abordar los problemas de un conjunto de datos desequilibrado, GAN generará imágenes sintéticas y extraerá características profundas de cada imagen. Una comprensión exhaustiva del rendimiento del modelo en escenarios del mundo real también es proporcionada por la evaluación meticulosa del rendimiento del modelo utilizando una variedad de métricas, incluyendo precisión, exactitud, recuperación y puntuación F1.