Dado que las plataformas de redes sociales son ampliamente utilizadas y populares, nos han brindado más oportunidades de las que podemos imaginar. A pesar de todos los beneficios conocidos, algunos usuarios pueden abusar de estas oportunidades para humillar, insultar, intimidar y acosar a otras personas. Este problema explica por qué es necesario reducir tales actividades negativas y crear un ciberespacio seguro para personas inocentes mediante la detección de la actividad de ciberacoso. Este estudio proporciona un análisis comparativo de los métodos de aprendizaje profundo utilizados para probar y evaluar su efectividad con respecto a un conocido conjunto de datos de Twitter a nivel global. Para reconocer tweets abusivos y superar los desafíos existentes, se introducen métodos de aprendizaje profundo basados en la atención. El word2vec con CBOW concatenado formó los pesos incluidos en la capa de incrustación y se utilizó para extraer las características. El vector de características se introdujo en un mecanismo de convolución y agrupación, reduciendo la dimensionalidad de las características mientras se aprendía la posición invariante de las palabras ofensivas. Una función SoftMax predice la clasificación de características. Utilizando conjuntos de datos experimentales de referencia y medidas de evaluación conocidas, se descubrió que el modelo de red neuronal convolucional con memoria a largo y corto plazo basada en la atención superaba a otros métodos de aprendizaje profundo. Los métodos propuestos de detección de ciberacoso fueron evaluados utilizando conjuntos de datos experimentales de referencia y medidas de evaluación conocidas. Finalmente, los resultados demostraron la superioridad del clasificador Conv1DLSTM (convolución a largo plazo y memoria a corto plazo basada en la atención) sobre los otros métodos implementados.