Los dispositivos móviles enfrentan desafíos de seguridad significativos debido a la creciente proliferación de malware en Android. Este estudio presenta un enfoque innovador para la detección de malware en Android, combinando la Regresión de Vectores de Soporte (SVR) y el análisis de características dinámicas para abordar los crecientes desafíos de seguridad móvil. Nuestra investigación tuvo como objetivo desarrollar un sistema de detección de malware más preciso y confiable, capaz de identificar tanto variantes de malware conocidas como novedosas. Implementamos una metodología integral que abarca la extracción dinámica de características de aplicaciones de Android, el preprocesamiento y normalización de características, y la aplicación de SVR con un núcleo de Función de Base Radial (RBF) para la clasificación de malware. Nuestros resultados demuestran el rendimiento superior del modelo basado en SVR, logrando una precisión del 95.74%, una precisión del 94.76%, un recall del 98.06% y un F1-score del 96.38%, superando algoritmos de referencia como SVM, Random Forest y CNN. El modelo mostró una excelente capacidad discriminativa con un Área Bajo la Curva (AUC) de 0.98 en el análisis ROC. La capacidad del modelo propuesto para capturar relaciones complejas y no lineales en el espacio de características mejoró significativamente su efectividad para distinguir entre aplicaciones benignas y maliciosas. Esta investigación proporciona una base sólida para avanzar en los sistemas de detección de malware en Android, ofreciendo valiosos conocimientos para investigadores y profesionales de la seguridad en la atención de los desafíos de malware en evolución.