La neoplasia intraepitelial vaginal (VAIN), vinculada a la infección por VPH, es una condición que a menudo se pasa por alto durante la colposcopia, especialmente en el área de la bóveda vaginal, ya que los médicos tienden a centrarse más en las lesiones cervicales. Esta falta de atención puede llevar a un diagnóstico y tratamiento perdidos o retrasados para pacientes con VAIN. La clasificación oportuna y precisa de VAIN juega un papel crucial en la evaluación de lesiones vaginales y la formulación de enfoques diagnósticos efectivos. El desafío radica en la alta similitud entre diferentes clases y la baja variabilidad en la misma clase en imágenes colposcópicas, lo que puede afectar la precisión y las tasas de recuperación, dependiendo de la calidad de la imagen y la experiencia del médico. En este estudio, se introduce un modelo de red residual consciente de lesiones de doble rama (DLRNet), diseñado para tamaños de muestra médica pequeños, que clasifica lesiones vaginales examinando la relación entre lesiones cervicales y vaginales. El modelo DLRNet incluye cuatro componentes principales: un módulo de localización de lesiones, un módulo de clasificación de doble rama, un módulo de guía de atención y un módulo de red preentrenada. El módulo de clasificación de doble rama combina las imágenes originales con mapas de segmentación obtenidos del módulo de localización de lesiones utilizando una red ResNet preentrenada para ajustar los parámetros en diferentes niveles, explorar características específicas de lesiones desde perspectivas globales y locales, y facilitar interacciones en capas. El módulo de guía de características enfoca la red de rama local en características específicas de la vagina utilizando mecanismos de atención espacial y de canal. La integración final implica un módulo de extracción de características compartidas y capas completamente conectadas independientes, que representan y fusionan las entradas de doble rama. El método de fusión ponderada integra eficazmente múltiples entradas, mejorando las capacidades discriminativas y de generalización del modelo. Los experimentos de clasificación en 1142 imágenes colposcópicas recopiladas demuestran que este método eleva los niveles de clasificación existentes, logrando la clasificación de VAIN en tres grados de lesión, proporcionando así una herramienta valiosa para la detección temprana de enfermedades vaginales.