La detección de fraudes con tarjetas de crédito es un desafío crítico en el sector financiero debido a las tácticas en constante evolución de los estafadores y al significativo desequilibrio de clases entre transacciones legítimas y fraudulentas. Los modelos tradicionales, aunque efectivos en cierta medida, a menudo sufren de altas tasas de falsos positivos y no logran generalizar bien los patrones de fraude emergentes. En este documento, proponemos un enfoque novedoso que integra un modelo de Mezcla de Expertos (MoE) con una Técnica de Sobremuestreo Minoritario Sintético basada en Redes Neuronales Profundas (DNN-SMOTE) para mejorar el rendimiento de detección de fraudes. El modelo MoE aprovecha múltiples redes de expertos especializados, cada una entrenada para detectar tipos específicos de fraude, mientras que el DNN-SMOTE genera muestras sintéticas de alta calidad para abordar el desequilibrio de clases. Nuestros resultados experimentales en un conjunto de datos públicamente disponible demuestran que el método propuesto logra una precisión de clasificación de , una tasa de verdaderos positivos de , y una tasa de verdaderos negativos de . El Coeficiente de Correlación de Matthews (MCC) de 0.7883 resalta aún más el rendimiento equilibrado del modelo en la detección de transacciones fraudulentas. Estos resultados subrayan la efectividad de combinar MoE con DNN-SMOTE, ofreciendo una solución robusta para escenarios de detección de fraudes con tarjetas de crédito en el mundo real.