Las redes neuronales convolucionales (CNN) han transformado el panorama del análisis de imágenes y se aplican ampliamente en diversos campos. Con su adopción generalizada en campos como el diagnóstico médico y la conducción autónoma, las CNN han demostrado capacidades poderosas. A pesar de su éxito, los modelos existentes enfrentan desafíos al implementarse y operar en entornos con recursos limitados, lo que limita su practicidad en escenarios del mundo real. Introducimos LMFRNet, un modelo CNN ligero. Su innovación reside en un diseño de bloque multi-característica, reduciendo efectivamente tanto la complejidad del modelo como la carga computacional. Al lograr una precisión excepcional del 94.6% en el conjunto de datos CIFAR-10, este modelo muestra un rendimiento notable al tiempo que demuestra una utilización parsimoniosa de recursos. Validamos además el rendimiento del modelo en los conjuntos de datos CIFAR-100, MNIST y Fashion-MNIST, demostrando su robustez y generalizabilidad en diversos conjuntos de datos. Además, realizamos experimentos extensos para investigar la influencia de hiperparámetros críticos. Estos experimentos proporcionaron información valiosa para un entrenamiento efectivo del modelo.