El malware es una amenaza significativa para el campo de la ciberseguridad. Existe una amplia variedad de malware que puede ser programado para amenazar la seguridad informática explotando diversas vulnerabilidades de redes, sistemas operativos, software y seguridad física. Por lo tanto, detectar malware se ha convertido en una parte significativa para mantener la seguridad de la red. En este documento, se utilizan técnicas de mejora de datos en la etapa de preprocesamiento de datos, luego se propone un nuevo modo de detección, CPL-Net, que emplea imágenes de textura de malware. El modelo consta de un componente de extracción de características, un componente de fusión de características y un componente de clasificación, cuyo núcleo se basa en la fusión paralela de características espacio-temporales mediante Redes Neuronales Convolucionales (CNN) y redes de Memoria a Corto y Largo Plazo (LSTM). A través de experimentos, se ha demostrado que CPL-Net puede lograr una precisión del 98.7% y una puntuación F1 del 98.6% para malware. El modelo utiliza un enfoque novedoso de fusión de características y logra una detección de malware integral y precisa.