La detección de intrusiones en redes aéreas de UAV enfrenta desafíos debido a conjuntos de datos altamente desbalanceados, donde las muestras normales superan significativamente a las instancias de intrusión. Este artículo propone un método mejorado de muestreo estratificado y aprendizaje en conjunto (ISSEL) para abordar este problema. El método mejora el muestreo estratificado tradicional al agrupar muestras normales y realizar un muestreo basado en la distancia desde los centros de los grupos para asegurar una mejor representación del espacio de características. Posteriormente, se utilizan cinco modelos de árboles, a saber, árbol de decisión, árbol extra, bosque aleatorio, árbol de aumento de gradiente y XGBoost, para entrenar cada subconjunto. Los resultados de predicción del modelo se integran utilizando una estrategia de ponderación adaptativa basada en la puntuación F1. Los resultados experimentales en el bus de datos MIL-STD-1553B demostraron que el método ISSEL mantuvo una alta tasa de precisión del 99.42% mientras mejoraba significativamente la capacidad de reconocimiento para ataques de clase minoritaria. La precisión, el recall y la puntuación F1 alcanzaron 98.94%, 97.62% y 98.28%, respectivamente. Estos resultados validan la efectividad del método ISSEL para manejar conjuntos de datos desbalanceados, destacando su potencial aplicación en el campo de la detección de intrusiones en redes aéreas.