Las técnicas de aprendizaje automático han ganado popularidad en los sistemas de detección de intrusiones en los últimos años. Además, la calidad de los conjuntos de datos juega un papel crucial en el desarrollo de un enfoque adecuado de aprendizaje automático. Por lo tanto, un método apropiado de selección de características podría considerarse como un factor influyente en la mejora de la calidad de los conjuntos de datos, lo que conduce a sistemas de detección de intrusiones de alto rendimiento. En este documento, se propone un enfoque híbrido multiobjetivo para detectar ataques en una red de manera eficiente. Inicialmente, se ejecuta simultáneamente un método genético multiobjetivo (NSGAII), así como una red neuronal artificial (ANN), para extraer subconjuntos de características. Modificamos el enfoque NSGAII manteniendo el control de la diversidad en este algoritmo evolutivo. A continuación, se utiliza un enfoque de Random Forest, como un método de conjunto, para evaluar la eficiencia de los subconjuntos de características. Los resultados de los experimentos muestran que el uso del marco propuesto conduce a mejores resultados, que podrían considerarse como resultados prometedores en comparación con las soluciones encontradas en la literatura.