En los últimos años, el malware de Android ha seguido creciendo a un ritmo alarmante. Las aplicaciones maliciosas más recientes emplean técnicas de evasión de detección altamente sofisticadas, lo que hace que los métodos tradicionales de detección de malware basados en aprendizaje automático sean mucho menos efectivos. Específicamente, no pueden hacer frente a varios tipos de malware de Android y tienen limitaciones en la detección al utilizar un solo algoritmo de clasificación. Para abordar esta limitación, proponemos un enfoque novedoso en este artículo que aprovecha técnicas de aprendizaje automático paralelo y fusión de información para una mejor detección de malware de Android, que se denomina. Para implementar este enfoque, primero extraemos ocho tipos de características de análisis estático en aplicaciones de Android y construimos dos tipos de conjuntos de características después de la selección de características. Luego, se desarrolla un modelo de detección de aprendizaje automático paralelo para acelerar el proceso de clasificación. Finalmente, investigamos enfoques