El ciberacoso se caracteriza por la agresión deliberada y sostenida entre compañeros, así como por una diferencia de poder entre la víctima y los perpetradores o abusadores. El ciberacoso puede tener una variedad de consecuencias para las víctimas, incluidos problemas de salud mental, bajo rendimiento académico, tendencia a abandonar el trabajo e incluso pensamientos suicidas. El objetivo principal de este estudio fue desarrollar un sistema de detección de ciberacoso (CDS) para descubrir comportamientos odiosos y abusivos en plataformas de redes sociales. Se llevaron a cabo dos experimentos para entrenar y probar el sistema propuesto con conjuntos de datos de clasificación de ciberacoso binario y multiclase. Se compararon una arquitectura de aprendizaje profundo híbrida que consiste en redes neuronales convolucionales integradas con redes neuronales de memoria a corto y largo plazo bidireccionales (CNN-BiLSTM) y modelos únicos de BiLSTM en términos de su capacidad para clasificar publicaciones en redes sociales en varios tipos de acoso relacionados con género, religión, etnia, edad, agresión y no ciberacoso. Ambos clasificadores mostraron un rendimiento prometedor en el conjunto de datos de clasificación binaria (acoso agresivo o no agresivo), con una precisión de detección del 94%. Para el conjunto de datos multiclase, BiLSTM superó al clasificador combinado CNN-BiLSTM, logrando una precisión del 99%. Una comparación de nuestro método con el método existente en el conjunto de datos de clasificación multiclase reveló que nuestro método tuvo un mejor desempeño en la detección de ciberacoso en línea.