Una red vehicular definida por software (SDVN) típica es vulnerable a varios ciberataques debido a su marco basado en un controlador centralizado. Un ciberataque, como un ataque de Denegación de Servicio Distribuido (DDoS), puede sobrecargar fácilmente el controlador central de la SDVN. Por lo tanto, requerimos un sistema funcional de reconocimiento de ataques DDoS que pueda diferenciar el tráfico malicioso del tráfico de datos normal. La arquitectura propuesta comprende métodos híbridos de Aprendizaje Automático Clásico-Cuántico (QML) para detectar amenazas DDoS. En este trabajo, hemos considerado tres métodos QML diferentes, como Redes Neuronales Clásico-Cuánticas (C-QNN), Máquinas de Boltzmann Clásico-Cuánticas (C-QBM) y Agrupamiento K-Means Clásico-Cuántico (C-QKM). Se realizaron emulaciones utilizando una red vehicular construida a medida con movimientos aleatorios y velocidades variables entre 0 y 100 km/h. Además, se analizó el rendimiento de estos métodos QML para dos conjuntos de datos diferentes. Los resultados obtenidos muestran que el método híbrido de Red Neuronal Clásico-Cuántica (C-QNN) exhibió un mejor rendimiento en comparación con los otros dos modelos. El modelo híbrido C-QNN propuesto logró una precisión del 99% y del 90% para el conjunto de datos UNB-CIC-DDoS y el conjunto de datos DDoS de Kaggle, respectivamente. El modelo híbrido C-QNN combina los circuitos cuánticos de PennyLane con métodos tradicionales, mientras que la Máquina de Boltzmann Clásico-Cuántica (C-QBM) aprovecha las distribuciones de probabilidad cuántica para identificar anomalías.