Un sistema de detección de intrusiones es una de las principales líneas de defensa utilizadas para proporcionar seguridad a los datos, la información y las redes informáticas. Los problemas de este sistema de seguridad son el aumento del tiempo de procesamiento, la alta tasa de falsas alarmas y la baja tasa de detección que ocurren debido a la gran cantidad de datos que contienen diversas características irrelevantes y redundantes. Por lo tanto, la selección de características puede resolver este problema al reducir el número de características. Elegir métodos de selección de características apropiados que puedan reducir el número de características sin tener un efecto negativo en la precisión de la clasificación es un desafío importante. Este desafío nos motivó a investigar la aplicación de diferentes técnicas de selección de características de envoltura en la detección de intrusiones. El rendimiento de las técnicas seleccionadas, como el algoritmo genético (GA), la selección secuencial hacia adelante (SFS) y la selección secuencial hacia atrás (SBS), fueron analizados, abordados y comparados con las técnicas existentes. La eficiencia de las tres técnicas de selección de características con dos métodos de clasificación, incluidos la máquina de vectores de soporte (SVM) y el perceptrón multicapa (MLP), fue comparada. Se consideraron los conjuntos de datos CICIDS2017, CSE-CIC-IDS218 y NSL-KDD para los experimentos. La eficiencia de los modelos propuestos se demostró en los resultados experimentales, que indicaron que tenían la mayor precisión en los conjuntos de datos seleccionados.