Las aplicaciones maliciosas de botnets se han convertido en una seria amenaza y cada vez incorporan técnicas sofisticadas de evasión de detección. Por lo tanto, se necesita enfoques de mitigación más efectivos para combatir el aumento de las botnets de Android. Aunque el uso de Aprendizaje Automático para detectar botnets ha sido un enfoque de los esfuerzos de investigación recientes, aún existen varios desafíos. Para superar las limitaciones de usar características hechas a mano para la detección basada en Aprendizaje Automático, en este documento, proponemos un novedoso sistema de detección de botnets móviles basado en características extraídas de imágenes y un archivo de manifiesto. El esquema emplea un Histograma de Gradientes Orientados y histogramas de bytes obtenidos de imágenes que representan el ejecutable de la aplicación y combina estos con características derivadas de los archivos de manifiesto. Luego se aplica una selección de características para utilizar las mejores características para la clasificación con algoritmos de Aprendizaje Automático. El sistema propuesto fue evaluado utilizando el conjunto de datos de botnets de ISCX, y los resultados experimentales demuestran su efectividad con puntuaciones F1 que van de 0.923 a 0.96 utilizando algoritmos de Aprendizaje Automático populares. Además, con el modelo de Extra Trees, se obtuvo hasta un 97.5% de precisión general utilizando una división de entrenamiento-prueba de 80:20, y se obtuvo un 96% de precisión general utilizando validación cruzada de 10 pliegues.