En este proyecto de investigación se construyeron tres arquitecturas de red neuronal convolucional, con distinta secuencia de capas de convolución y agrupación, las cuales, fueron utilizadas para detectar si una lesión de piel pigmentada en imágenes dermoscópicas es de clase benigna o maligna. Se realizaron varios experimentos con cada arquitectura utilizando 8, 16 y 32 filtros de convolución de tamaño 3x3, 4x4 y 5x5. Se evaluaron y compararon las tres arquitecturas mediante distintas métricas, en cuyo caso, fue utilizando la métrica de exactitud que se encontró que la arquitectura diseñada con una secuencia de dos capas de convolución más una capa de agrupación, seguidas por dos capas de convolución; utilizando 8 filtros de tamaño 3x3, obtuvo el mejor desempeño con una probabilidad de 96.37 % de que el diagnóstico sea correcto. Para realizar los experimentos se utilizó el conjunto de imágenes conocido como Archivo ISIC (International Skin Imaging Collaboration, por sus siglas en inglés) del año 2019, constituido por 25,331 imágenes de entrenamiento y 8,238 imágenes de prueba. De este conjunto de imágenes se utilizaron tres muestras, constituidas por 50 % de imágenes de lesiones de piel malignas y 50 % de imágenes de lesiones de piel benignas. Por otro lado, también se utilizaron algunos algoritmos de clasificación clásicos tales como Árboles de Decisión, Bosques Aleatorios, entre otros. Finalmente, tomando en cuenta los requisitos de procesamiento de la arquitectura, se propone que sea desplegada en la plataforma Amazon SageMaker para poder desarrollar e integrar un sistema computacional que sirva como apoyo a los médicos especialistas en el diagnóstico de cáncer de piel.