Los ataques de smishing, una forma sofisticada de amenazas cibernéticas realizadas a través del Servicio de Mensajes Cortos (SMS), han escalado en complejidad con la adopción generalizada de dispositivos móviles, lo que hace cada vez más difícil para las personas distinguir entre mensajes legítimos y maliciosos. Los métodos tradicionales de detección de phishing, como los basados en características, reglas, heurísticas y listas negras, han tenido dificultades para mantenerse al día con las tácticas en rápida evolución empleadas por los atacantes. Para mejorar la ciberseguridad y abordar estos desafíos, este documento propone un enfoque híbrido de aprendizaje profundo que combina Unidades Recurrentes Gated Bidireccionales (Bi-GRU) y Redes Neuronales Convolucionales (CNN), denominado CNN-Bi-GRU, para la identificación y clasificación precisa de ataques de smishing. Se utilizó el conjunto de datos de la Colección de Phishing SMS, con un procedimiento preparatorio que implica la transformación de datos de texto no estructurados en representaciones numéricas y el entrenamiento de Word2Vec en texto preprocesado. Los resultados experimentales demuestran que el modelo propuesto CNN-Bi-GRU supera los enfoques existentes, logrando una precisión general más alta del 99.82% en la detección de mensajes de phishing por SMS. Este estudio proporciona un análisis empírico de la efectividad de las técnicas híbridas de aprendizaje profundo para la detección de phishing por SMS, ofreciendo una solución más precisa y eficiente para mejorar la ciberseguridad en las comunicaciones móviles.