Los tumores cerebrales (TC) se están propagando muy rápidamente en todo el mundo. Cada año, miles de personas mueren debido a los mortales tumores cerebrales. Por lo tanto, la detección y clasificación precisas son esenciales en el tratamiento de los tumores cerebrales. Se han introducido numerosas técnicas de investigación para la detección de TC, así como la clasificación basada en aprendizaje automático tradicional (ML) y aprendizaje profundo (DL). Los clasificadores de ML tradicionales requieren características hechas a mano, lo cual es muy consumidor de tiempo. Por el contrario, DL es muy robusto en la extracción de características y recientemente se ha utilizado ampliamente para fines de clasificación y detección. Por lo tanto, en este trabajo, proponemos un modelo híbrido de aprendizaje profundo llamado DeepTumorNet para tres tipos de tumores cerebrales (TC): glioma, meningioma y clasificación de tumor pituitario, adoptando una arquitectura básica de red neuronal convolucional (CNN). Se utilizó la arquitectura GoogLeNet del modelo CNN como base. Al desarrollar el enfoque híbrido DeepTumorNet, se eliminaron las últimas 5 capas de GoogLeNet y en su lugar se añadieron 15 nuevas capas. Además, también se utilizó una función de activación ReLU con fuga en el mapa de características para aumentar la expresividad del modelo. El modelo propuesto se probó en un conjunto de datos de investigación público con fines de evaluación, y obtuvo una precisión del 99.67%, una precisión del 99.6%, un recall del 100%, y un F1-score del 99.66%. La metodología propuesta obtuvo la mayor precisión en comparación con los resultados de clasificación de vanguardia obtenidos con AlexNet, ResNet50, DarkNet53, ShuffleNet, GoogLeNet, SqueezeNet, ResNet101, Exception Net y MobileNetv2. El modelo propuesto mostró su superioridad sobre los modelos existentes para la clasificación de TC a partir de imágenes de resonancia magnética.