El virus SARS-CoV-2 se ha propagado a nivel mundial, y la Organización Mundial de la Salud ha declarado la pandemia de COVID-19, proclamando que todo el mundo debe superarla juntos. Los conjuntos de datos de radiografías de tórax y tomografías computarizadas de individuos con COVID-19 siguen siendo limitados, lo que puede provocar un rendimiento inferior del modelo de aprendizaje profundo. En este estudio, desarrollamos un modelo para el diagnóstico de COVID-19 al resolver el problema de clasificación utilizando una técnica de aprendizaje auto-supervisado con un módulo de atención de convolución. El aprendizaje auto-supervisado utilizando un modelo de red neuronal convolucional en forma de U combinado con un módulo de atención de bloque de convolución (CBAM) utilizando más de 100,000 imágenes de radiografías de tórax con un índice de similitud estructural (SSIM) captura representaciones de imagen de manera extremadamente eficaz. El sistema que propusimos consiste en ajustar finamente los pesos del codificador después de una tarea de pretexto de aprendizaje auto-supervisado, interpretar la representación de la radiografía de tórax en el codificador utilizando capas convolucionales y diagnosticar la imagen de la radiografía de tórax como el modelo de clasificación. Además, considerando el CBAM mejora aún más la precisión promediada en un 98.6%, superando así al modelo base (97.8%) en un 0.8%. El modelo propuesto clasifica las tres clases de normal, neumonía y COVID-19 de manera extremadamente precisa, junto con otras métricas como la especificidad y la sensibilidad que son similares a la precisión. El área promedio bajo la curva (AUC) es de 0.994 en la clase de COVID-19, lo que indica que nuestro modelo propuesto muestra un rendimiento de clasificación excepcional.