La modulación de índice (IM) se considera un enfoque prometedor para los sistemas inalámbricos de quinta generación debido a su eficiencia espectral y complejidad reducida en comparación con las técnicas de modulación convencionales. Sin embargo, la IM enfrenta dificultades en entornos con condiciones de canal impredecibles, especialmente en la detección precisa de valores de índice y en el ajuste dinámico de asignaciones de índice. El aprendizaje profundo (DL) ofrece una solución potencial al mejorar el rendimiento de detección y la resistencia a través del aprendizaje de patrones intrincados en condiciones de canal variables. En este documento, presentamos un método de detección robusto basado en un modelo híbrido de DL (HDL) diseñado específicamente para la multiplexación por división de frecuencia ortogonal con IM (OFDM-IM) en entornos de canal desafiantes. Nuestro detector HDL propuesto aprovecha una red neuronal convolucional unidimensional (1D-CNN) para la extracción de características, seguida de una red neuronal de memoria a corto y largo plazo bidireccional (Bi-LSTM) para capturar dependencias temporales. Antes de alimentar los datos en la red, la matriz de canal y las señales recibidas se procesan previamente utilizando conocimientos específicos del dominio. Evaluamos el rendimiento de la tasa de error de bits (BER) del modelo propuesto utilizando diferentes optimizadores y ecualizadores, luego lo comparamos con otros modelos. Además, evaluamos el rendimiento y la eficiencia espectral en diferentes niveles de relación señal-ruido (SNR). Los resultados de simulación demuestran que el detector híbrido propuesto supera a los detectores tradicionales y otros basados en DL en términos de rendimiento, subrayando su efectividad para OFDM-IM en condiciones de canal inciertas.