Con fines maliciosos, los atacantes ocultan malware en el software utilizado por sus víctimas. El nuevo malware se comparte continuamente en Internet, difiriendo tanto en el tipo de malware como en el método de daño. Cuando se descubre nuevo malware, es posible verificar si ha habido malware similar en el pasado y utilizar el antiguo malware para contrarrestar el nuevo malware; sin embargo, es difícil verificar la malicia y similitud de todo el software. Por lo tanto, la tecnología de aprendizaje profundo se puede utilizar para detectar y clasificar eficientemente el malware. Este estudio mejora la precisión de esta tecnología convirtiendo características estáticas, que son datos binarios, en imágenes y convirtiendo datos de series temporales, como secuencias de llamadas API, que son datos dinámicos con longitudes diferentes para cada dato, en datos con longitudes fijas. Proponemos un sistema que combina sistemas de detección y clasificación de malware basados en IA entrenados en características estáticas y dinámicas. Los resultados experimentales mostraron una precisión de detección del 99.34%, una precisión de clasificación del 95.1% y una velocidad de predicción de aproximadamente 0.1 s.