El crecimiento de las redes inalámbricas ha sido notable en los últimos años. Una de las razones principales de este crecimiento es el uso masivo de dispositivos portátiles e independientes con conectividad de red inalámbrica. Estos dispositivos se han vuelto esenciales en la vida diaria en la electrónica de consumo. A medida que la dependencia de las redes inalámbricas ha aumentado, los ataques contra ellas también han aumentado con el tiempo. Para detectar estos ataques, se necesita un sistema de detección de intrusos en la red (NIDS) con alta precisión y bajo tiempo de detección. En este trabajo, proponemos un sistema de detección de intrusos en redes inalámbricas (WNIDS) basado en aprendizaje automático (ML) para redes Wi-Fi para detectar eficientemente los ataques contra ellas. El WNIDS propuesto consta de dos etapas que trabajan juntas en secuencia. Se desarrolla un modelo de ML para cada etapa para clasificar los registros de red en normales o en una de las clases de ataque específicas. Entrenamos y validamos el modelo de ML para WNIDS utilizando el conjunto de datos de intrusión Wi-Fi de Egeo (AWID) disponible públicamente. Se han considerado varias técnicas de selección de características para identificar el mejor conjunto de características para el WNIDS. Nuestro WNIDS de dos etapas logra una precisión del 99.42% para la clasificación multiclase con un conjunto reducido de características. También se implementa un módulo de Inteligencia Artificial Explicable (XAI) para comprender la influencia de las características en cada tipo de registros de tráfico de red.