La detección de señales es crucial en sistemas de multiplexación por división ortogonal de frecuencia de entrada múltiple y salida múltiple (MIMO-OFDM), sin embargo, los métodos de detección clásicos a menudo tienen dificultades con problemas no lineales en canales inalámbricos. Para hacer frente a este desafío, proponemos un nuevo método de detección de señales para el sistema MIMO-OFDM basado en la transformada de Fourier fraccional (FrFT), aprovechando las sólidas capacidades de procesamiento de series temporales de las redes LSTM (memoria a corto y largo plazo). Nuestro enfoque innovador, denominado IM-LSTMNet, integra LSTM con redes neuronales convolucionales (CNN) e incorpora una Red de Exclusión y Excitación para enfatizar la información crítica, mejorando el rendimiento de la red neuronal. El IM-LSTMNet propuesto se aplica al sistema MIMO-OFDM basado en FrFT para mejorar el rendimiento de la detección de señales. Comparamos los resultados de detección de IM-LSTMNet con el cero forzado (ZF), el error cuadrático medio mínimo (MMSE), una red neuronal LSTM simple y una red CNN-LSTM evaluando la tasa de error de bits. Los resultados experimentales demuestran que IM-LSTMNet supera a ZF, MMSE, LSTM y otros métodos, mejorando significativamente el rendimiento de la detección de señales del sistema. Este trabajo ofrece un avance prometedor en la detección de señales MIMO-OFDM, presentando una solución basada en aprendizaje profundo que mejora efectivamente el rendimiento de la detección de señales del sistema.