В данном исследовании представлен подход на основе глубокого обучения для выявления киберзапугивания на казахском языке, учитывающий ключевые проблемы, связанные с малоресурсными языками. В работе рассматриваются растущая распространённость киберзапугивания в Казахстане, ограничения традиционных моделей машинного обучения и необходимость применения продвинутых методов классификации текста. Предложена новая гибридная модель глубокого обучения, объединяющая сверточные нейронные сети (CNN), двунаправленные долгократкосрочные памяти (BiLSTM) и архитектуры на основе трансформеров для повышения точности обнаружения. В исследовании подробно описан процесс сбора данных, методы аугментации данных и оценка модели с использованием ключевых метрик производительности, таких как точность (accuracy), полнота (recall), точность (precision) и F1-мера. Экспериментальные результаты демонстрируют, что предложенная модель значительно превосходит традиционные алгоритмы машинного обучения и ранее опубликованные методы. Полученные выводы имеют практическое значение для автоматизированной модерации контента в социальных сетях и способствуют развитию инструментов обработки естественного языка (NLP) для казахского языка.