Siber zorbalık, iletişim teknolojilerini kullanarak insanları sürekli taciz etmek, sosyal medyada yalan haberler paylaşmak, insanları tehdit etmek, küfür etmek, hakaret etmek, alay etmek, insanların kişisel bilgilerini izni olmadan çevrimiçi ortamda paylaşmak gibi davranışları içerir. Siber zorbalığın intihara varan olumsuz sonuçlarından sonra bu zorbalık toplumsal bir problem haline gelmiştir. Bu nedenle siber zorbalığın tespit edilmesine ve önlenmesine yönelik çalışmalar giderek artmaktadır. Literatürde Türkçe içerikli sosyal medya paylaşımları üzerinde siber zorbalık tespiti gerçekleştiren az sayıda çalışma bulunmaktadır. Bu çalışmanın amacı, derin öğrenme yöntemleri kullanılarak sosyal medya platformlarından toplanan Türkçe yorumların siber zorbalık davranışları içerip içermediğini tespit etmektir. Bu çalışmada veri kümesi üzerinde Word2Vec, Fasttext, Doc2Vec kelime gömme yöntemleri uygulanarak 3 farklı model geliştirilmiştir. Geliştirilen bu modeller LSTM sinir ağı ile veri seti üzerinde test edilmiştir. Modeller birbirleri ile karşılaştırıldığında Fasttext kelime gömme yöntemi uygulanarak oluşturulan sınıflandırma modeli % 93,15 başarı oranı ile en başarılı model olmuştur. Cyberbullying includes behaviors such as constantly harassing people using communication technologies, sharing fake news on social media, threatening people, swearing, insulting, mocking, sharing people's personal information online without their permission. After the negative consequences of cyberbullying, which amounted to suicide, this bullying has become a social problem. For this reason, studies on detecting and preventing cyberbullying are increasing. There are few studies in the literature that detect cyberbullying on social media posts with Turkish content. The aim of this study is to determine whether Turkish comments collected from social media platforms using deep learning methods contain cyberbullying behaviors. In this study, 3 different models were developed by applying Word2Vec, Fasttext, Doc2Vec word embedding methods on the dataset. These developed models were tested on the data set with LSTM neural network. When the models were compared with each other, the classification model created by applying the Fasttext word embedding method was the most successful model with a success rate of 93.15%.