En la detección de intrusiones en redes, el desequilibrio de clases, la escasez de muestras de ataques de la clase minoritaria, la alta dimensionalidad de las características y la sustancial redundancia de características son problemas prevalentes que limitan la capacidad de detección de los modelos de detección de intrusiones. Para abordar estos problemas, este artículo propone un método de detección de anomalías en el tráfico de red basado en un Autoencoder Variacional y una Red Generativa Antagónica de Wasserstein Condicional (VAE-CWGAN). Primero, se emplea una estrategia de selección de características que combina ANOVA e información mutua para seleccionar características informativas del tráfico de red, mejorando así la capacidad discriminativa de las características de entrada. En segundo lugar, se construye un modelo de generación de muestras de la clase minoritaria que integra VAE y CWGAN. El VAE se utiliza para aprender las características de distribución latente de las muestras de ataques de la clase minoritaria, mientras que se introducen restricciones condicionales de clase y la distancia de Wasserstein para generar muestras sintéticas de alta calidad de la clase minoritaria, aliviando así el desequilibrio de clases en el conjunto de datos de entrenamiento. Finalmente, se adopta Random Forest (RF), un clasificador representativo de aprendizaje automático, para los experimentos de clasificación. Los resultados experimentales en el conjunto de datos NSL-KDD demuestran que el método propuesto funciona bien en la detección de ataques de la clase minoritaria, logrando valores de Precisión, Recall y F1-score de 95.89%, 75.18% y 84.28% para la clase R2L y 77.08%, 55.22% y 64.35% para la clase U2R, respectivamente.