En esta era de Internet, hay cada vez más amenazas a la seguridad y la protección de los usuarios a diario. Una de estas amenazas es el software malicioso, también conocido como malware (ransomware, troyanos, virus, etc.). El efecto de esta amenaza puede llevar a la pérdida o reemplazo malicioso de información importante (como los detalles de cuentas bancarias, etc.). Los creadores de malware han logrado eludir los métodos tradicionales de detección de malware, que pueden ser lentos e ineficaces para malware desconocido. Esto motiva la necesidad de formas inteligentes de detectar malware, especialmente nuevo malware que no ha sido evaluado o estudiado antes. El aprendizaje automático proporciona una forma inteligente de detectar malware y comprende dos etapas: extracción de características y clasificación. Este estudio sugiere un método basado en aprendizaje por conjunto para la detección de malware. La clasificación en la etapa base se realiza mediante un conjunto apilado de redes neuronales completamente conectadas y redes neuronales convolucionales unidimensionales (CNN), mientras que la clasificación en la etapa final se realiza mediante un algoritmo de aprendizaje automático. Para un meta-aprendiz, analizamos y comparamos 15 clasificadores de aprendizaje automático. Para la comparación, se utilizaron cinco algoritmos de aprendizaje automático: Bayes ingenuo, árbol de decisión, bosque aleatorio, aumento de gradiente y AdaBoost. Se presentan los resultados de los experimentos realizados en el conjunto de datos de malware de Windows Portable Executable (PE). Los mejores resultados se obtuvieron mediante un conjunto de siete redes neuronales y el clasificador ExtraTrees como clasificador de etapa final.