La detección de tablas en imágenes de documentos es un problema desafiante debido a la variedad de diseños, estructuras irregulares y elementos gráficos incrustados. En este estudio, presentamos HTTD (Transformador Jerárquico para Detección de Tablas), un modelo de vanguardia que combina un esqueleto de Transformador Swin-L con mecanismos avanzados basados en Transformadores para lograr un rendimiento superior. HTTD aborda tres desafíos clave: manejar diseños de documentos diversos, incluidas estructuras históricas y modernas; mejorar la eficiencia computacional y la convergencia del entrenamiento; y demostrar adaptabilidad a tareas no estándar como la imagen médica y la detección de claves de recibos. Evaluado en conjuntos de datos de referencia, HTTD logra resultados de vanguardia, con tasas de precisión del 96.98% en ICDAR-2019 cTDaR, del 96.43% en TNCR y del 93.14% en TabRecSet. Estos resultados validan su eficacia y eficiencia, allanando el camino para tareas avanzadas de análisis de documentos y digitalización de datos.