La aplicación de redes neuronales convolucionales profundas (CNN) en el campo del procesamiento de imágenes médicas ha atraído una atención extensa y ha demostrado un progreso notable. Un número creciente de métodos de aprendizaje profundo se ha dedicado a clasificar imágenes de radiografías de tórax (CXR), y la mayoría de los métodos de aprendizaje profundo existentes se basan en modelos preentrenados clásicos, entrenados por imágenes globales de radiografías de tórax. En este documento, estamos interesados en diagnosticar imágenes de radiografías de tórax utilizando nuestra propuesta Red de Alta Resolución Fusionada (FHRNet). El FHRNet concatena las capas de agrupación promedio globales de los extractores de características globales y locales: consta de tres redes neuronales convolucionales de rama y se ajusta finamente para la clasificación de enfermedades de tórax. En comparación con los resultados de otros métodos disponibles, nuestros resultados experimentales mostraron que el modelo propuesto produce un mejor rendimiento de clasificación de enfermedades para el conjunto de datos de radiografías de tórax 14, de acuerdo con la curva característica de operación del receptor y la puntuación del área bajo la curva. Un estudio de ablación confirmó además la efectividad de las redes de rama globales y locales para mejorar la precisión de la clasificación de enfermedades de tórax.