El malware se ha vuelto cada vez más prevalente en los últimos años, poniendo en peligro a personas, empresas y activos digitales en todo el mundo. A pesar de las numerosas técnicas y metodologías propuestas para detectar y neutralizar agentes maliciosos, los modernos métodos automatizados de creación de malware continúan produciendo malware que puede evadir las técnicas de detección modernas. Esto ha aumentado la necesidad de técnicas avanzadas y precisas de clasificación y detección de malware. Este artículo ofrece un método único para clasificar malware, utilizando imágenes que emplean atención dual y redes neuronales convolucionales. Nuestro modelo propuesto ha demostrado un rendimiento excepcional en la clasificación de malware, logrando una precisión notable del 98.14% en el conjunto de datos de referencia Malimg. Para validar aún más su efectividad, también evaluamos el rendimiento del modelo en el conjunto de datos grande de 2015, donde logró una tasa de precisión aún mayor del 98.95%, superando las soluciones anteriores de vanguardia. Se utilizaron varios métricas, incluyendo la precisión, la recuperación, la especificidad y la puntuación F1 para evaluar la precisión, mostrando qué tan bien se desempeñó nuestro modelo. Además, utilizamos estrategias de equilibrio de clases para aumentar la precisión de nuestro modelo. Los resultados obtenidos de nuestros experimentos indican que nuestro modelo sugerido es de gran interés y puede aplicarse como un método confiable para la detección de malware basada en imágenes, incluso en comparación con soluciones más complejas. En general, nuestra investigación destaca el potencial de los marcos de aprendizaje profundo para mejorar las medidas de ciberseguridad y mitigar los riesgos asociados con los ataques de malware.