La hemorragia intracraneal (ICH) es un trastorno patológico que requiere un diagnóstico rápido y la toma de decisiones. La tomografía computarizada (TC) es un modelo de diagnóstico preciso y altamente confiable para detectar hemorragias. La detección automatizada de ICH a partir de escáneres de TC con un modelo de diagnóstico asistido por computadora (CAD) es útil para detectar y clasificar los diferentes grados de ICH. Debido al último avance de los modelos de aprendizaje profundo (DL) en aplicaciones de procesamiento de imágenes, varias técnicas de imágenes médicas lo utilizan. Este estudio desarrolla una nueva red convolucional densamente conectada (DenseNet) con una máquina de aprendizaje extremo (ELM) para el diagnóstico y clasificación de ICH, llamada DN-ELM. El modelo DL-ELM presentado utiliza la entropía de Tsallis con un algoritmo de optimización de saltamontes (GOA), llamado TEGOA, para la segmentación de imágenes y DenseNet para la extracción de características. Finalmente, se utiliza una máquina de aprendizaje extremo (ELM) para fines de clasificación de imágenes. Para examinar el resultado de clasificación efectivo del método propuesto, se realizaron una amplia gama de experimentos, y los resultados se determinaron utilizando varias medidas de rendimiento. Los resultados de la simulación aseguraron que el modelo DL-ELM ha alcanzado un rendimiento diagnóstico competente con una precisión máxima del 96.34%.