La ciberseguridad depende en gran medida de la efectividad de los sistemas de detección de intrusiones (IDS) para asegurar la comunicación empresarial, ya que desempeñan un papel fundamental como primera línea de defensa contra actividades maliciosas. A pesar de la amplia aplicación de métodos de aprendizaje automático para la detección de intrusiones, tienen ciertas limitaciones que podrían abordarse de manera efectiva aprovechando diferentes arquitecturas de aprendizaje profundo. Además, la evaluación de los modelos propuestos a menudo se ve obstaculizada por conjuntos de datos desbalanceados, lo que limita una evaluación integral de la eficacia del modelo. Por lo tanto, este estudio tiene como objetivo abordar estos desafíos mediante el uso de métodos de aumento de datos en cuatro conjuntos de datos prominentes, el UNSW-NB15, 5G-NIDD, FLNET2023 y CIC-IDS-2017, para mejorar el rendimiento de varias arquitecturas de aprendizaje profundo para sistemas de detección de intrusiones. Los resultados experimentales subrayaron la capacidad de una arquitectura simple basada en CNN para lograr una detección de ataques a la red altamente precisa, mientras que arquitecturas más complejas mostraron solo mejoras marginales en el rendimiento. Los hallazgos destacan cómo los métodos propuestos de detección de intrusiones basados en aprendizaje profundo pueden integrarse sin problemas en los marcos de ciberseguridad, mejorando la capacidad para detectar y mitigar ataques sofisticados a la red. Los resultados de este estudio han demostrado que los modelos de detección de intrusiones han alcanzado una alta precisión (hasta un 91% para el conjunto de datos aumentado CIC-IDS-2017) y están fuertemente influenciados por la calidad y cantidad del conjunto de datos utilizado.