La neumonía ha sido durante mucho tiempo una preocupación significativa en la salud pública global. Con el avance de las redes neuronales convolucionales (CNN), han surgido nuevos métodos tecnológicos para abordar este desafío. Sin embargo, la aplicación de las CNN al diagnóstico de neumonía todavía enfrenta varios problemas críticos. En primer lugar, los conjuntos de datos utilizados para entrenar modelos a menudo sufren de tamaños de muestra insuficientes y distribuciones de clases desequilibradas, lo que conduce a un rendimiento de clasificación reducido. En segundo lugar, aunque las CNN pueden extraer automáticamente características y tomar decisiones a partir de datos de imágenes complejos, su interpretabilidad es relativamente pobre, lo que limita en cierta medida su uso generalizado en el diagnóstico clínico. Para abordar estos problemas, se propone una nueva función de pérdida de entropía cruzada ponderada, que calcula pesos a través de una función exponencial de proporción inversa para manejar de manera más eficiente el desequilibrio de datos. Además, empleamos un enfoque de aprendizaje por transferencia que combina el ajuste fino de los parámetros del modelo CNN preentrenado para mejorar el rendimiento de clasificación. Finalmente, introducimos el método de mapeo de activación de clases ponderadas por gradiente para mejorar la interpretabilidad de las decisiones del modelo visualizando las regiones de enfoque de la imagen. Los resultados experimentales indican que nuestro enfoque propuesto mejora significativamente el rendimiento de las CNN en tareas de diagnóstico de neumonía. Entre los cuatro modelos seleccionados, las tasas de precisión mejoraron a más del 90%, y se proporcionaron resultados visualizados.