La identificación temprana y el tratamiento de diversas afecciones dermatológicas dependen de la detección de lesiones en la piel. Debido a los avances en el diagnóstico asistido por computadora y enfoques de aprendizaje automático, los métodos de análisis de lesiones cutáneas basados en el aprendizaje han atraído mucho interés recientemente. Empleando el concepto de transfer learning, esta investigación propone un marco de trabajo multietapa y multicategoría basado en una red neuronal convolucional profunda (CNN) para categorizar siete tipos de lesiones cutáneas. En la primera etapa, se desarrolló un modelo de CNN para clasificar imágenes de lesiones cutáneas en dos clases, benignas y malignas. En la segunda etapa, el modelo se utilizó con el concepto de transfer learning para categorizar aún más las lesiones benignas en cinco subcategorías (nevus melanocítico, queratosis actínica, queratosis benigna, dermatofibroma y vascular) y las lesiones malignas en dos subcategorías (melanoma y carcinoma de células basales). Los pesos congelados de la CNN desarrollada y entrenada con imágenes correlacionadas beneficiaron el transfer learning utilizando el mismo tipo de imágenes para la subclasificación de las clases benignas y malignas. La técnica multietapa y multicategoría propuesta mejoró la precisión de clasificación del conjunto de datos de lesiones cutáneas ISIC2018 en línea hasta un 93.4% para la identificación de clases benignas y malignas. Además, se logró una alta precisión del 96.2% para la subclasificación de ambas clases. Las métricas de sensibilidad, especificidad, precisión y puntuación F1 validaron aún más la efectividad del marco de trabajo multietapa y multicategoría propuesto. En comparación con los modelos de CNN existentes descritos en la literatura, el enfoque propuesto tomó menos tiempo para entrenar y tuvo una tasa de clasificación más alta.