Los ataques de Denegación de Servicio Distribuido (DDoS) representan una amenaza crítica y generalizada para los vehículos autónomos, poniendo en peligro su funcionalidad operativa y la seguridad de los pasajeros. La facilidad con la que se pueden lanzar estos ataques contrasta marcadamente con la dificultad de su detección y mitigación, lo que requiere soluciones defensivas avanzadas. Este estudio propone un nuevo marco de aprendizaje profundo para la detección precisa de DDoS dentro de redes automotrices. Implementamos y comparamos múltiples arquitecturas de redes neuronales artificiales, incluyendo Redes Neuronales Convolucionales, Redes Neuronales Recurrentes y Redes Neuronales Profundas, mejoradas con un componente de aprendizaje activo para maximizar la eficiencia de los datos. El modelo más eficiente se despliega posteriormente dentro de un paradigma de aprendizaje federado para facilitar un entrenamiento colaborativo y que preserve la privacidad entre clientes distribuidos. El estudio se evalúa en función de tres vectores principales de ataque DDoS: volumétrico, agotamiento de estado y amplificación. Los resultados experimentales en el conjunto de datos de referencia CIC-DDoS2019 demuestran la eficacia de nuestro enfoque, logrando una precisión del 99.98% en la clasificación de ataques. Esto indica una solución prometedora para la detección de DDoS en tiempo real en el contexto crítico de seguridad de la conducción autónoma.