Las enfermedades pulmonares y torácicas son unas de las enfermedades crónicas más graves en el mundo, y ocurren como resultado de factores como fumar, la contaminación del aire, o infecciones bacterianas, que expondrían al sistema respiratorio y al tórax a trastornos graves. Las enfermedades torácicas provocan una debilidad natural en el sistema respiratorio, lo que requiere que el paciente tome cuidado y atención para aliviar este problema. Los países están interesados en fomentar la investigación médica y monitorear la propagación de enfermedades transmisibles. Por lo tanto, aconsejaron a los investigadores realizar estudios para frenar la propagación de las enfermedades y urgieron a los investigadores a idear métodos para detectar y distinguir rápidamente las enfermedades pulmonares. En este documento, proponemos una arquitectura híbrida de ecualización adaptativa de histograma limitado por contraste (CLAHE) y una red convolucional profunda para la clasificación de enfermedades pulmonares. Utilizamos imágenes de rayos X para crear una red neuronal convolucional (CNN) para la identificación temprana y categorización de enfermedades pulmonares. Inicialmente, el método propuesto implementó la máquina de vectores de soporte para clasificar las imágenes con y sin el uso del ecualizador CLAHE. Los resultados obtenidos se compararon con las redes CNN. Posteriormente, se implementaron dos experimentos diferentes con una arquitectura híbrida de redes CNN profundas y CLAHE como preprocesamiento para mejorar las imágenes. Los resultados experimentales indican que la arquitectura híbrida sugerida supera a los métodos tradicionales en aproximadamente un 20% en términos de precisión.