Los dispositivos con sistema operativo Android son los dispositivos móviles más utilizados a nivel mundial. La naturaleza de código abierto y menos restringida de la tienda de aplicaciones de Android da la bienvenida a aplicaciones maliciosas, lo que presenta riesgos para dichos dispositivos. Se encontró en el informe del departamento de seguridad que características estáticas como los permisos de Android, los archivos de manifiesto y las llamadas a API podrían reducir significativamente los ataques de aplicaciones de malware en dispositivos Android. Por lo tanto, se debe instalar un método automatizado para la detección de malware en dispositivos Android para detectar aplicaciones maliciosas. Estos métodos automatizados de detección de malware se desarrollan utilizando métodos de aprendizaje automático. Anteriormente, se han propuesto muchos estudios sobre la detección de malware en el sistema operativo Android utilizando diferentes enfoques de selección de características, lo que indica que la selección de características es un concepto ampliamente utilizado en la detección de malware en Android. La dependencia de las características y la correlación de las características permiten detectar el comportamiento malicioso de una aplicación. Sin embargo, aún se necesita una selección de características más sólida utilizando métodos automatizados para mejorar los métodos de detección de malware en Android. Por lo tanto, este estudio propuso un método de detección de malware en Android basado en un método automatizado de ANN. Para validar el método propuesto, en este estudio se utilizaron dos conjuntos de datos públicos, a saber, CICInvestAndMal2019 y Drebin/AMD. Ambos conjuntos de datos fueron preprocesados mediante sus características estáticas para normalizar las características como valores binarios. Los valores binarios indican que ciertos permisos en cualquier aplicación están habilitados (1) o deshabilitados (0). Los conjuntos de características transformados se dieron al clasificador ANN, y se realizaron dos experimentos principales. En el Experimento 1, el clasificador ANN utilizó una capa de entrada simple, mientras que se aplicó un método de validación cruzada de cinco pliegues para la validación. En el Experimento 2, el clasificador ANN propuesto utilizó una capa de selección de características propuesta. Incluye solo características seleccionadas basadas en la correlación o dependencia con respecto a aplicaciones benignas o maliciosas. Los resultados propuestos basados en el método ANN son significativos, mejorados y robustos y fueron mejores que los presentados en estudios anteriores. Los resultados generales del uso del método de cinco pliegues en el conjunto de datos CICInvestAndMal2019 fueron un 95,30% de precisión, 96% de precisión, 98% de precisión y 92% de puntuación F1. De la misma manera, en el conjunto de datos AMD/Drebin, las puntuaciones generales fueron un 99,60% de precisión, 100% de precisión y recuperación, y 99% de puntuación F1. Además, se calculó el costo computacional de ambos experimentos para demostrar la mejora de rendimiento que aporta el clasificador ANN propuesto en comparación con el método ANN simple con el mismo tiempo de entrenamiento y predicción.