Introducción: Asegurar la ciberseguridad vehicular es un desafío crítico debido a la creciente conectividad de los vehículos modernos, y los enfoques tradicionales de aprendizaje centralizado para la detección de intrusiones presentan riesgos significativos para la privacidad, ya que requieren que datos sensibles sean compartidos desde múltiples vehículos a un servidor central. Objetivo: El objetivo de este estudio es, por lo tanto, desarrollar un sistema de detección de intrusiones en vehículos (IVIDS) que integre el aprendizaje federado (FL) con redes neuronales, permitiendo la detección descentralizada y que preserva la privacidad de ciberataques en redes vehiculares. El sistema propuesto amplía investigaciones anteriores al detectar un rango más amplio de ataques (ocho tipos) y explorar diferentes arquitecturas de aprendizaje profundo. Métodos: Este estudio emplea una versión extendida del conjunto de datos VeReMi, disponible públicamente, para entrenar y evaluar múltiples arquitecturas de redes neuronales, incluyendo Perceptrones Multicapa (MLPs), Unidades Recurrentes Gated (GRUs) y redes de Memoria a Largo y Corto Plazo (LSTM). Se utiliza el aprendizaje federado para permitir el entrenamiento colaborativo del modelo entre múltiples vehículos sin compartir datos en bruto. También se exploran diversas técnicas de preprocesamiento de datos y mecanismos de privacidad diferencial. Resultados y Conclusiones: Los resultados experimentales demuestran que las redes LSTM superan tanto a las arquitecturas MLP como a las GRU en la clasificación de ciberataques vehiculares. El mejor modelo LSTM, entrenado con dos retrasos de mensajes anteriores y normalización estándar, logró una precisión de clasificación del 96.75% en la detección de ocho tipos de ataques, superando estudios anteriores y demostrando el potencial de aplicar redes neuronales diseñadas para trabajar con datos de series temporales.