Este estudio aborda desafíos en la detección de cáncer de piel, particularmente problemas como el desequilibrio de clases y la apariencia variada de las lesiones, que complican las tareas de segmentación y clasificación. La investigación emplea modelos de conjunto de aprendizaje profundo tanto para segmentación (utilizando U-Net, SegNet y DeepLabV3) como para clasificación (utilizando VGG16, ResNet-50 e Inception-V3). El conjunto de datos ISIC se equilibra mediante sobremuestreo en la clasificación, y se aplican técnicas de preprocesamiento como aumento de datos y postprocesamiento en la segmentación para aumentar la robustez. El modelo de conjunto superó a los modelos individuales, logrando un Coeficiente de Dice de 0.93, un IoU de 0.90 y una precisión de 0.95 para la segmentación, con un 90% de precisión en el conjunto de datos original y un 99% en el conjunto de datos equilibrado para la clasificación. El uso de modelos de conjunto y conjuntos de datos equilibrados resultó altamente efectivo para mejorar la precisión y confiabilidad del análisis automatizado de lesiones cutáneas, apoyando a los dermatólogos en los esfuerzos de detección temprana.