Las Redes Ad hoc Vehiculares (VANETs) son un tipo emergente de red que abarca cada vez un mayor número de vehículos. Son el soporte básico para los Sistemas de Transporte Inteligente (ITS) y para establecer marcos que permitan la comunicación entre entidades viales y fomenten el desarrollo de nuevas aplicaciones y servicios destinados a mejorar la experiencia de conducción y aumentar la seguridad vial. Sin embargo, las características exigentes de las VANETs dificultan la implementación de mecanismos de seguridad, creando vulnerabilidades que pueden ser fácilmente explotadas por atacantes. El objetivo principal de este trabajo es proponer un Marco de Seguridad Jerárquico Inteligente para VANET que utilice algoritmos de Aprendizaje Automático (ML) para mejorar la detección de ataques y definir métodos para comunicaciones seguras entre entidades, asegurando una fuerte autenticación, privacidad y anonimato. Los algoritmos de ML utilizados en este marco han sido entrenados y probados utilizando conjuntos de datos de comunicaciones de vehículos, que han sido puestos a disposición del público, proporcionando así resultados fácilmente reproducibles y verificables. Los resultados obtenidos muestran que el marco propuesto de Sistema de Detección de Intrusiones (IDS) es capaz de detectar ataques con precisión, con una baja Tasa de Falsos Positivos (FPR). Además, los resultados muestran que el marco puede beneficiarse del uso de diferentes tipos de algoritmos en diferentes niveles jerárquicos, seleccionando algoritmos ligeros y de procesamiento rápido en los niveles inferiores, a costa de la precisión, y utilizando algoritmos más precisos, exactos y complejos en nodos más altos de la jerarquía.