La malaria es una de las enfermedades más infecciosas en el mundo, especialmente en continentes en desarrollo como África y Asia. Debido al alto número de casos y la falta de instalaciones de diagnóstico suficientes y personal médico experimentado, existe la necesidad de procedimientos de diagnóstico avanzados para complementar los métodos existentes. Por esta razón, este estudio propone el uso de modelos de aprendizaje automático para detectar el parásito de la malaria en imágenes de frotis sanguíneo. Se extrajeron seis características diferentes de los modelos VGG16, VGG19, ResNet50, ResNet101, DenseNet121 y DenseNet201. Luego, se entrenaron clasificadores de Árbol de Decisión, Máquina de Vectores de Soporte, Bayes Ingenuo y Vecino más Cercano utilizando estas seis características. Se presenta un extenso análisis de rendimiento en términos de precisión, recuperación, puntuación-f1, exactitud y tiempo computacional. Los resultados mostraron que automatizar el proceso puede detectar efectivamente el parásito de la malaria en muestras de sangre con una precisión de más del 94% con menos complejidad que los enfoques anteriores encontrados en la literatura.