El Sistema de Detección de Intrusiones (IDS) es una característica importante que debería integrarse en redes de sensores de alta densidad, particularmente en redes de sensores inalámbricos (WSNs). La comunicación de información de enrutamiento dinámico y un medio público no protegido los convierten en blancos fáciles para una amplia variedad de amenazas de seguridad. Los IDS son herramientas útiles que pueden detectar y prevenir vulnerabilidades del sistema en una red. Desafortunadamente, no hay posibilidad de construir medidas de protección avanzadas dentro de la infraestructura básica del WSN. Parece que hay una variedad de enfoques de aprendizaje automático (ML) que se utilizan para combatir los problemas de infiltración que afectan a los WSN. El Algoritmo de Moho de Slime (SMA) es un enfoque de ML recientemente sugerido para problemas de optimización. Por lo tanto, en este artículo, el SMA se integrará en un IDS para WSN para la detección de anomalías. El papel del SMA es reducir el número de características en el conjunto de datos de 41 a cinco características. La clasificación se realizó mediante dos métodos, Máquina de Vectores de Soporte con núcleo polinómico y árbol de decisiones. El SMA mostró resultados comparables basados en el conjunto de datos NSL-KDD, donde se obtuvieron 99.39%, 0.61%, 99.36%, 99.42%, 99.33%, 0.58% y 99.34%, correspondientes a precisión, tasa de error, sensibilidad, especificidad, precisión, tasa de falsos positivos y F-medida, respectivamente, que son valores significativamente mejorados en comparación con otros trabajos.