La implementación de sistemas de detección de intrusos (IDS) es esencial para proteger los recursos de red y la infraestructura contra amenazas maliciosas. A pesar del amplio uso de varios métodos de aprendizaje automático en los IDS, dichos sistemas a menudo tienen dificultades para lograr un rendimiento óptimo. Los principales desafíos incluyen la maldición de la dimensionalidad, que impacta significativamente en la eficacia de los IDS, y la limitada efectividad de los clasificadores de aprendizaje singular para manejar conjuntos de datos de tráfico complejos, desequilibrados y multicategóricos. Para superar estas limitaciones, este artículo presenta un enfoque innovador que integra técnicas de reducción de dimensionalidad y de conjunto de apilamiento. Empleamos el algoritmo LogitBoost con XGBRegressor para la selección de características, complementado por un modelo de aprendizaje profundo de Red Residual (ResNet) para la extracción de características. Además, introducimos el conjunto de apilamiento múltiple (MSE), un método de conjunto novedoso, para mejorar las capacidades de predicción de ataques. La evaluación en conjuntos de datos de referencia como CICIDS2017 y UNSW-NB15 demuestra que nuestro IDS supera a los modelos actuales en diversas métricas de rendimiento.