Los Sistemas de Deteccion de Intrusos (IDS, por sus siglas en ingles) comerciales actuales clasifican el trafico de red, detectando conexiones normales e intrusiones, mediante la aplicacion de metodos basados en firmas; ello conlleva problemas pues solo se detectan intrusiones previamente conocidas y existe desactualizacion periodica de la base de datos de firmas. En este articulo se evalua la eficiencia de un modelo de deteccion de intrusiones de red propuesto, utilizando metricas de sensibilidad y especificidad, mediante un proceso de simulacion que emplea el dataset NSL-KDD DARPA, seleccionando de este las caracteristicas mas relevantes con FDR y entrenando una red neuronal que haga uso de un algoritmo de aprendizaje no supervisado basado en mapas auto-organizativos, con el proposito de clasificar el trafico de la red en conexiones normales y ataques, de forma automatica. La simulacion genero metricas de sensibilidad del 99,69% y de especificidad del 56,15% utilizando 20 y 15 caracteristicas, respectivamente.