Con la rápida proliferación de teléfonos inteligentes Android, las amenazas de malware móvil han escalado significativamente, subrayando la necesidad de soluciones de detección más precisas y adaptativas. Este trabajo propone un innovador modelo híbrido de aprendizaje profundo que combina Redes Neuronales Convolucionales (CNN) con redes de Memoria a Largo y Corto Plazo Bidireccionales (BiLSTM) para aprender tanto características locales como comportamientos secuenciales en aplicaciones de Android. Para mejorar la relevancia y claridad de los datos de entrada, se aplica la Información Mutua para la selección de características, mientras que se adopta la Optimización Bayesiana para optimizar de manera eficiente los parámetros del modelo. El sistema diseñado se prueba en conjuntos de datos estándar de malware de Android y logra una impresionante precisión de detección del 99.3%, superando claramente enfoques clásicos como Máquinas de Vectores de Soporte (SVM), Bosques Aleatorios, CNN y Naive Bayes. Además, ofrece resultados sólidos en métricas de evaluación críticas como F1-score y ROC-AUC. Estos hallazgos confirman la alta eficiencia, adaptabilidad y aplicabilidad práctica del marco, convirtiéndolo en una solución convincente para la detección de malware en Android en el actual panorama de amenazas en evolución.