La investigación de la secuencia genética del COVID-19 es crucial a pesar de las inmunizaciones y el control de la pandemia. El SARS-CoV-2, que causa el COVID-19, debe ser comprendido genómicamente por varias razones. Las nuevas cepas virales pueden resistir las vacunas. La categorización de secuencias genéticas ayuda a los investigadores a rastrear cambios y evaluar la eficacia de la inmunización. Clasificar las secuencias genómicas del COVID-19 con otros virus ayuda a comprender su evolución e interacciones con otras enfermedades. El estudio propuesto introduce un enfoque de categorización de secuencias genómicas del COVID-19 basado en el aprendizaje profundo. Los modelos de aprendizaje profundo híbridos basados en la atención categorizan 1423 secuencias genómicas del COVID-19 y 11,388 de otros virus. También se utiliza un conjunto de datos desconocido para evaluar los modelos. La precisión, puntuación f1, área bajo la curva (AUC), precisión, coeficiente de correlación de Matthews (MCC) y recuperación de los cinco modelos son evaluados. Los resultados indican que la red neuronal convolucional (CNN) con memoria a corto y largo plazo bidireccional (BLSTM) con capa de atención (CNN-BLSTM-Att) logró una precisión del 99.99%, superando a los otros modelos. Para la validación externa, el modelo muestra una precisión del 99.88%. Revela que los enfoques basados en el aprendizaje profundo con una capa de atención pueden clasificar con precisión las secuencias genómicas del COVID-19 con un alto grado de precisión. Este método podría ayudar a identificar y clasificar las cepas virales del COVID-19 en situaciones clínicas. Las inmunizaciones han reducido el peligro del COVID-19, pero la categorización de sus secuencias genéticas es crucial para las actividades de salud global para planificar la recurrencia o futuras amenazas virales.