El éxito de la clasificación de imágenes depende de contar con abundantes imágenes anotadas para el entrenamiento. Anotar imágenes de histopatología es costoso y laborioso. Aunque se han introducido varios enfoques exitosos de aprendizaje de representaciones auto-supervisadas, aún son insuficientes para considerar las características únicas de las imágenes de histopatología. En este trabajo, proponemos el novedoso marco de aprendizaje de representaciones auto-supervisadas orientado a histopatología (HistoSSL) para extraer eficientemente representaciones de imágenes de histopatología no etiquetadas en tres niveles: global, celular y de tinción. El modelo se transfiere notablemente a tareas posteriores: fenotipado de tejido colorrectal en el conjunto de datos NCTCRC y reconocimiento de metástasis de cáncer de mama en el conjunto de datos CAMELYON16. HistoSSL logró mayores precisión que los enfoques de aprendizaje auto-supervisado de última generación, lo que demostró la robustez de las representaciones aprendidas.