El aprendizaje de representaciones auto-supervisado (SSRL) se ha convertido en una estrategia potente para abordar la creciente amenaza del engaño del Sistema de Posicionamiento Global (GPS) a pequeños Vehículos Aéreos No Tripulados (UAV) al capturar características más abstractas y de alto nivel. Este estudio se centra en mejorar las capacidades de detección de ataques mediante la incorporación de técnicas de SSRL. Una arquitectura híbrida innovadora integra modelos de Memoria a Largo y Corto Plazo (LSTM) y Unidad Recurrente Puerta (GRU) para detectar ataques en pequeños UAV, junto con dos arquitecturas adicionales, Red Neuronal Recurrente (RNN) y Red Neuronal Profunda (DNN), para detectar ataques de engaño de GPS. El modelo propuesto aprovecha el SSRL, extrayendo de manera autónoma características significativas sin necesidad de muchas instancias etiquetadas. Las configuraciones clave incluyen LSTM-GRU, con 64 neuronas en las capas de entrada y concatenación y 32 neuronas en la segunda capa. El análisis de ablación explora varias configuraciones de parámetros, logrando el modelo una impresionante precisión del 99.9% después de 10 iteraciones de época, contrarrestando efectivamente los ataques de engaño de GPS. Para mejorar aún más este enfoque, también se incorporan técnicas de aprendizaje por transferencia, que ayudan a mejorar la adaptabilidad y generalización del modelo SSRL. Al guardar y aplicar pesos preentrenados a un nuevo conjunto de datos, aprovechamos el conocimiento previo para mejorar el rendimiento. Esta integración de SSRL y aprendizaje por transferencia produce una precisión de validación del 79.0%, demostrando una mejorada generalización a nuevos datos y un tiempo de entrenamiento reducido. El enfoque combinado subraya la robustez y eficiencia de la detección de engaños de GPS en UAV.