Antecedentes: La estenosis espinal lumbar (LSS) es una causa común de dolor lumbar, especialmente en personas mayores, y un diagnóstico preciso es fundamental para un tratamiento efectivo. Sin embargo, el diagnóstico manual utilizando imágenes de resonancia magnética es lento y subjetivo, lo que lleva a la necesidad de métodos automatizados. Objetivo: Este estudio tiene como objetivo desarrollar un modelo de aprendizaje profundo basado en redes neuronales convolucionales (CNN) integrado con múltiples mecanismos de atención para mejorar la precisión y robustez de la clasificación de LSS a través de imágenes de resonancia magnética. Métodos: El modelo propuesto se entrena en un conjunto de datos de resonancia magnética estandarizado obtenido de múltiples instituciones, que abarca diversas condiciones degenerativas lumbares. Durante la preprocesamiento, se emplean técnicas como la normalización de imágenes y el aumento de datos para mejorar el rendimiento del modelo. La red incorpora un Módulo de Autoatención Multi-Cabezal, un Módulo de Atención por Ranura y un Módulo de Atención Espacial y de Canal, cada uno contribuyendo a una mejor extracción y clasificación de características. Resultados: El modelo logró una precisión de clasificación del 95.2%, una precisión del 94.7%, una recuperación del 94.3% y un puntaje F1 del 94.5% en el conjunto de validación. Experimentos de ablación confirmaron el impacto significativo de los mecanismos de atención en la mejora de las capacidades de clasificación del modelo. Conclusión: La integración de múltiples mecanismos de atención mejora la capacidad del modelo para clasificar con precisión LSS en imágenes de resonancia magnética, demostrando su potencial como una herramienta para el diagnóstico automatizado. Este estudio allana el camino para futuras investigaciones en la aplicación de mecanismos de atención al diagnóstico automatizado de estenosis espinal lumbar y otras afecciones complejas de la columna vertebral.