Combatir reclamos fraudulentos de seguros es una tarea vital para las compañías de seguros, ya que les cuesta miles de millones de dólares cada año. Los reclamos fraudulentos de seguros ocurren en todas las áreas de seguros, siendo los reclamos de seguros de auto los más ampliamente reportados y prominentes. Los métodos tradicionales para identificar reclamos fraudulentos, como técnicas estadísticas para modelado predictivo, pueden ser costosos e inexactos. En esta investigación, proponemos una nueva forma de detectar reclamos fraudulentos de seguros utilizando un enfoque basado en datos. Limpiamos y aumentamos los datos utilizando técnicas basadas en análisis para tratar con un conjunto de datos desequilibrado. Tres modelos de Redes Neuronales Convolucionales (CNN) pre-entrenados, AlexNet, InceptionV3 y Resnet101, son seleccionados y minimizados reduciendo los bloques redundantes de capas. Estos modelos de CNN se apilan en paralelo con un modelo CNN 1D propuesto utilizando Aprendizaje de Conjunto Bagged, donde se utiliza un clasificador SVM para extraer los resultados por separado para los modelos de CNN, que luego se combinan utilizando la técnica de votación mayoritaria. El método propuesto fue probado en un conjunto de datos público y produjo una precisión del 98%, con una pérdida de puntaje Brier del 2%. Los experimentos numéricos demuestran que el enfoque propuesto logra resultados prometedores para detectar reclamos de accidentes falsos.