El aprendizaje profundo ha avanzado significativamente en la clasificación de imágenes al aprovechar representaciones jerárquicas de características. Un factor clave para mejorar la precisión de la clasificación es la concatenación de características, que integra conjuntos de características diversos para proporcionar una representación más rica de los datos de entrada. Sin embargo, esta estrategia de fusión tiene limitaciones inherentes, como una mayor complejidad computacional, susceptibilidad a características redundantes o irrelevantes y desafíos en la ponderación óptima de diferentes contribuciones de características. Para abordar estos desafíos, este artículo presenta un método de aprendizaje pseudo-multivista que combina dinámicamente diferentes vistas a nivel de evidencia utilizando un modelo basado en creencias conocido como lógica subjetiva. Este enfoque asigna de forma adaptativa niveles de confianza a cada vista, garantizando una integración más efectiva de la información complementaria al mismo tiempo que mitiga el impacto de características ruidosas o menos relevantes. Evaluaciones experimentales de conjuntos de datos de diversos dominios demuestran que el método propuesto mejora la precisión y robustez de la clasificación en comparación con técnicas de clasificación convencionales.