Los Sistemas de Detección de Intrusos en Red (NIDSs) desempeñan un papel vital en la detección y detención de ataques a la red. Sin embargo, el desequilibrio prevalente de las muestras de entrenamiento en el tráfico de red interfiere con el rendimiento de detección de NIDS. Este documento propone un método de remuestreo basado en Self-Paced Ensemble y Auxiliary Classifier Generative Adversarial Networks (SPE-ACGAN) para abordar el problema de desequilibrio de clases de muestras. Para hacer frente al problema de desequilibrio de clases, SPE-ACGAN sobremuestrea las muestras de la clase minoritaria mediante ACGAN y submuestrea las muestras de la clase mayoritaria mediante SPE. Además, fusionamos el conjunto de datos CICIDS-2017 y el conjunto de datos CICIDS-2018 en un conjunto de datos más desequilibrado llamado CICIDS-17-18 y validamos la efectividad del método propuesto utilizando los tres conjuntos de datos mencionados anteriormente. SPE-ACGAN es más efectivo que otros métodos de remuestreo en la mejora del rendimiento de detección de NIDS. En particular, SPE-ACGAN mejoró el F1-score de Random Forest, CNN, GoogLeNet y CNN + WDLSTM en un 5,59%, 3,75%, 3,60% y 3,56% después del remuestreo.