La identificación rápida y precisa de las causas de la neumonía es necesaria para implementar tratamientos rápidos y enfoques preventivos, reducir la carga de infecciones y desarrollar estrategias de intervención más exitosas. Ha habido un aumento en el número de nuevos casos de neumonía y enfermedades conocidas como síndrome de dificultad respiratoria aguda (SDRA) como consecuencia directa de la propagación del COVID-19. La radiografía de tórax ha evolucionado hasta el punto de convertirse en una herramienta de diagnóstico indispensable para la neumonía por infección de COVID-19 en los hospitales. Para aprovechar al máximo la técnica, es crucial diseñar un sistema de diagnóstico asistido por computadora (CAD) para ayudar a los médicos y otros profesionales de la salud a establecer un diagnóstico preciso y rápido de la neumonía. Este artículo presenta una robusta red neuronal convolucional profunda híbrida (DCNN) para identificar rápidamente tres categorías (normal, COVID-19 y neumonía (viral o bacteriana)) utilizando datos de imágenes de rayos X obtenidos del conjunto de datos COVID-QU-Ex. El enfoque propuesto en el conjunto de prueba logró una tasa de precisión del 99.25%, un puntaje Kappa del 99.10%, un AUC del 99.43%, un F1-score del 99.24%, un recall del 99.25% y una precisión del 99.23%, respectivamente. Los resultados de los experimentos demuestran que el mecanismo híbrido DCNN presentado para identificar tres categorías utilizando imágenes de rayos X es robusto y efectivo.