Un sistema de detección de intrusiones (IDS) identifica si el comportamiento del tráfico de red es normal o anormal o identifica los tipos de ataque. Recientemente, el aprendizaje profundo ha surgido como un enfoque exitoso en los IDS, teniendo una alta tasa de precisión con su mecanismo de aprendizaje distintivo. En esta investigación, desarrollamos un nuevo método para la detección de intrusiones para clasificar el conjunto de datos NSL-KDD combinando un algoritmo genético (GA) para la selección óptima de características y memoria a largo y corto plazo (LSTM) con una red neuronal recurrente (RNN). Encontramos que el uso de clasificadores LSTM-RNN con el conjunto de características óptimas mejora la detección de intrusiones. El rendimiento del IDS fue analizado calculando la precisión, el recall, la precisión, el f-score y la matriz de confusión. Se utilizó el conjunto de datos NSL-KDD para analizar el rendimiento de los clasificadores. Se utilizó un LSTM-RNN para clasificar los conjuntos de datos NSL-KDD en conjuntos binarios (normal y anormal) y multicategoría (Normal, DoS, Probing, U2R y R2L). Los resultados indican que aplicar el GA aumenta la precisión de clasificación de LSTM-RNN en la clasificación binaria y multicategoría. Los resultados del clasificador LSTM-RNN también se compararon con los resultados utilizando una máquina de soporte vectorial (SVM) y un bosque aleatorio (RF). Para la clasificación multicategoría, la precisión de clasificación de LSTM-RNN con el modelo GA es mucho mayor que la de SVM y RF. Para la clasificación binaria, la precisión de clasificación de LSTM-RNN es similar a la de RF y mayor que la de SVM.