Los sistemas de detección de intrusiones (IDS) desempeñan un papel significativo en el campo de la seguridad de redes, lidiando con el creciente número de amenazas de red. Los IDS basados en aprendizaje automático han atraído mucho interés debido a sus potentes capacidades de aprendizaje basadas en datos. Sin embargo, es desafiante entrenar los algoritmos de aprendizaje supervisado cuando no hay datos de ataque disponibles. Los algoritmos de detección de anomalías semi-supervisados, que entrenan el modelo solo con datos normales, son más adecuados. En este estudio, proponemos un novedoso IDS basado en detección de anomalías semi-supervisado que aprovecha las capacidades del aprendizaje de representación y dos detectores de anomalías. En detalle, el autoencoder (AE) se aplica para extraer características representativas de datos normales en el primer paso, y luego dos detectores semi-supervisados, la máquina de vectores de soporte de una clase (OCSVM) y el modelo de mezcla gaussiana (GMM), se entrenan en las características derivadas. Los dos detectores colaboran para detectar muestras anómalas. El OCSVM predice las muestras anómalas inicialmente, y después, el GMM se aplica para volver a verificar las muestras clasificadas incorrectamente. Los experimentos demuestran que el AE mejora la tasa de detección, y dos detectores son más prometedores que uno solo.