El ciberacoso demuestra rasgos metafóricos y contextuales notables, caracterizados por un espacio semántico escaso y de alta dimensión y una evolución dinámica. Los modelos preentrenados utilizan extensos datos textuales para el aprendizaje y emplean técnicas de generación de vectores de palabras basadas en transformadores para capturar con precisión la semántica intrincada y la sintaxis matizada en el texto. Sin embargo, aunque un solo modelo preentrenado demuestra un fuerte rendimiento en el modelado contextual, aún enfrenta desafíos, incluyendo una representación de características inadecuada y una capacidad de generalización limitada en la clasificación de textos de ciberacoso. Este estudio propone un modelo de detección de ciberacoso que emplea BERT-BiGRU-CNN (BBGC) para abordar este problema. El modelo BBGC emplea inicialmente BERT para producir incrustaciones de palabras, posteriormente las introduce en una capa BiGRU para adquirir características de secuencia, y finalmente utiliza una CNN para la extracción de características locales. Las características derivadas de BERT, BiGRU y CNN se integran, seguido de la aplicación de la función softmax para obtener el resultado final de la detección de ciberacoso. Los hallazgos experimentales indican que el modelo de fusión BBGC supera a los modelos preentrenados individuales en la tarea de detección de texto de ciberacoso. Además, en comparación con modelos de redes neuronales híbridas que utilizan RoBERTa, ALBERT, DistilBERT y otros modelos preentrenados, el modelo BBGC demuestra ventajas considerables.