En los últimos años, la cantidad de malware que se propaga a través de Internet e infecta computadoras y otros dispositivos de comunicación ha aumentado enormemente. Hasta la fecha, se han propuesto innumerables técnicas y metodologías para detectar y neutralizar estos agentes maliciosos. Sin embargo, a medida que surgen nuevas técnicas de generación de malware automatizado, se sigue produciendo una gran cantidad de malware que puede evadir algunos métodos de detección de malware de última generación. Por lo tanto, existe la necesidad de la clasificación y detección de estos agentes adversarios que pueden comprometer la seguridad de personas, organizaciones y numerosas otras formas de activos digitales. En este documento, proponemos una red neuronal convolucional y de atención espacial (SACNN) basada en un marco de aprendizaje profundo para la clasificación basada en imágenes de 25 familias de malware conocidas, con y sin equilibrio de clases. El rendimiento se evaluó en el conjunto de datos de referencia Malimg utilizando precisión, recuperación, especificidad, precisión y puntuación F1, en los cuales nuestro modelo propuesto con equilibrio de clases alcanzó un 97.42%, 97.95%, 97.33%, 97.11% y 97.32%. También realizamos experimentos en SACNN con equilibrio de clases en la clase benigna, que también obtuvo más del 97%. Los resultados indican que nuestro modelo propuesto puede ser utilizado para la detección de malware basada en imágenes con un alto rendimiento, a pesar de ser más simple en comparación con otras soluciones disponibles.