El glaucoma es una enfermedad neurodegenerativa irreversible que afecta al nervio óptico, lo que lleva a la pérdida parcial o completa de la visión. La detección temprana y precisa es crucial para prevenir la discapacidad visual, lo que requiere el desarrollo de herramientas de diagnóstico altamente precisas. El aprendizaje profundo (DL) ha surgido como un enfoque prometedor para el diagnóstico del glaucoma, donde el modelo se entrena en conjuntos de datos de imágenes de fondo de ojo. Para mejorar la precisión de la detección, proponemos un modelo híbrido para la detección del glaucoma que combina múltiples modelos de DL con dos estrategias de ajuste fino y utiliza un esquema de votación mayoritaria para determinar la predicción final. En los experimentos, el modelo híbrido logró una precisión de detección del 96.55%, una sensibilidad del 98.84% y una especificidad del 94.32%. Se encontró que la integración de conjuntos de datos mejoraba el rendimiento en comparación con su uso por separado, incluso con el aprendizaje por transferencia. En comparación con modelos individuales de DL, el modelo híbrido logró una mejora del 20.69% en precisión en comparación con el mejor modelo cuando se aplicó a un solo conjunto de datos, una mejora del 13.22% cuando se aplicó con aprendizaje por transferencia en todos los conjuntos de datos, y una mejora del 1.72% cuando se aplicó a todos los conjuntos de datos. Estos resultados demuestran el potencial de los modelos híbridos de DL para detectar el glaucoma de manera más precisa que los modelos individuales.