La aplicación de la computación en la nube ha aumentado enormemente tanto en organizaciones públicas como privadas. Sin embargo, los ataques a la computación en la nube representan una seria amenaza para la confidencialidad y la integridad de los datos. Por lo tanto, se necesita un mecanismo adecuado para detectar intrusiones en la nube. En este documento, hemos propuesto un sistema de detección de intrusiones en la nube (IDS) que se centra en mejorar la precisión de la clasificación mediante la mejora de la selección de características y el pesaje del modelo de conjunto con el algoritmo de búsqueda de la corona (CSA). La selección de características se maneja combinando modelos de filtro y automatizados para obtener conjuntos de características mejorados. El clasificador de conjunto está compuesto por modelos de aprendizaje de máquina y profundos como la memoria a corto plazo (LSTM), la máquina de vectores de soporte (SVM), XGBoost y una red de aprendizaje rápido (FLN). Los pesos del modelo de conjunto propuesto se generan con el CSA para obtener mejores resultados de predicción. Se realizaron experimentos en los conjuntos de datos NSL-KDD, Kyoto y CSE-CIC-IDS-2018. La simulación muestra que el sistema sugerido logró resultados más satisfactorios en términos de precisión, recuperación, precisión y medida F que los enfoques convencionales. La tasa de detección y la tasa de falsas alarmas (FAR) de diferentes tipos de ataques fueron más eficientes para cada conjunto de datos. El rendimiento de los clasificadores también se comparó individualmente con el modelo de conjunto en términos de la tasa de falsos positivos (FPR) y la tasa de falsos negativos (FNR) para demostrar la robustez del modelo de conjunto.