La detección oportuna de los usuarios vulnerables de la carretera es de gran importancia para evitar accidentes en el contexto de los sistemas de transporte inteligente. En esta tesis, se lleva acabo la detección y el seguimiento de una clase de usuarios de la carretera especialmente vulnerables, los ciclistas. Presentamos una comparación de rendimiento entre las principales meta-arquitecturas reportadas en la literatura para la detección de objetos, como Single Shot Multibox Detector (SSD), Faster Region-based Convolutional Network (Faster R-CNN) y Region-based Fully Convolutional Networks (R-FCN) usando los extractores de características, MobilenetV2, InceptionV2, ResNet50 y ResNet101. Además, para identificar el rumbo del ciclista y predecir sus intenciones, proponemos una detección multiclase con ocho clases diferentes según sus orientaciones. Para ello, introducimos un nuevo conjunto de datos llamado "CIMAT-Cyclist", que contiene $20,229$ instancias de ciclistas basadas en cuadros delimitadores 2D etiquetados en función de la orientación del ciclista, sobre 11,103 imágenes. Para mejorar el rendimiento en la detección de ciclistas, se utiliza el filtro de Kalman para el rastreo, junto con el algoritmo de Kunh-Munkres para la asociación detector-rastreador. Por último, la vulnerabilidad de los ciclistas se evalúa por cada instancia en el campo de visión, teniendo en cuenta su proximidad y las intenciones previstas proporcionadas por la orientación del ciclista, y se asigna un nivel de riesgo a cada ciclista. Los resultados experimentales validan la estrategia propuesta en escenarios reales, mostrando un buen desempeño.