El Internet de las Cosas (IoT) presenta un gran potencial en varios campos como la automatización del hogar, la atención médica y la industria, entre otros, pero su infraestructura, el uso de código abierto y la falta de actualizaciones de software lo hacen vulnerable a ciberataques que pueden comprometer el acceso a datos y servicios, convirtiéndolo así en un objetivo atractivo para los hackers. La complejidad de los ciberataques ha aumentado, representando una mayor amenaza para las organizaciones públicas y privadas. Este estudio evaluó el rendimiento de modelos de aprendizaje profundo para clasificar ataques de ciberseguridad en redes IoT, utilizando el conjunto de datos CICIoT2023. Se compararon tres arquitecturas basadas en DNN, LSTM y CNN, destacando sus diferencias en capas y funciones de activación. Los resultados muestran que la arquitectura CNN superó a las demás en precisión y eficiencia computacional, con una tasa de precisión del 99.10% para clasificación multiclase y del 99.40% para clasificación binaria. Se enfatiza la importancia de la estandarización de datos y la correcta selección de hiperparámetros. Estos resultados demuestran que el modelo basado en CNN surge como una opción prometedora para detectar amenazas cibernéticas en entornos IoT, apoyando la relevancia del aprendizaje profundo en la seguridad de redes IoT.