Los datos de intrusión en la red se caracterizan por una alta dimensionalidad de características, un desequilibrio extremo de categorías y relaciones no lineales complejas entre características y categorías. La precisión de detección real de los modelos existentes de detección de intrusos supervisados es deficiente. Para abordar este problema, este documento propone un método de detección de intrusos basado en una red de aprendizaje contrastivo de múltiples canales (MCLDM), que combina el aprendizaje de características en la etapa de aprendizaje contrastivo supervisado de múltiples canales y la extracción de características en la etapa de aprendizaje contrastivo no supervisado de múltiples canales para entrenar un modelo efectivo de detección de intrusos. El objetivo es investigar si el enriquecimiento de características y el uso de aprendizaje contrastivo para clases específicas de datos de intrusión en la red pueden mejorar la precisión del modelo. El modelo se basa en un autoencoder para lograr la reconstrucción de características con aprendizaje contrastivo supervisado y para implementar la reconstrucción de datos de múltiples canales. En la siguiente etapa de aprendizaje contrastivo no supervisado, la extracción de características se implementa utilizando redes neuronales convolucionales triplet (TCNN) para lograr la clasificación de datos de intrusión. A través del análisis experimental, el método de detección de intrusos basado en una red de aprendizaje contrastivo de múltiples canales logra una precisión del 98.43% en el conjunto de datos CICIDS17 y una precisión del 93.94% en el conjunto de datos KDDCUP99.