Los vehículos aéreos no tripulados (VANT) son vulnerables a ataques de suplantación del sistema de posicionamiento global (GPS), que pueden desorientar sus sistemas de navegación y resultar en consecuencias catastróficas impredecibles. Para abordar este problema, proponemos un método de detección basado en aprendizaje por ensamblaje apilado que combina redes neuronales convolucionales (CNN) y aumento extremo de gradiente (XGBoost) para detectar señales de suplantación en los datos de GPS recibidos por los VANT. Primero, aplicamos la técnica de sobremuestreo de minorías sintéticas (SMOTE) al conjunto de datos para abordar el problema del desequilibrio de clases. Luego, utilizamos un modelo CNN para extraer características de alto nivel, combinadas con las características originales como entrada para el modelo apilado. El modelo apilado emplea XGBoost como el aprendiz base, que se optimiza a través de validación cruzada de cinco pliegues, y utiliza regresión logística para la predicción final. Además, incorporamos datos del campo magnético para mejorar la robustez del sistema, mejorando así la precisión y fiabilidad de la detección de ataques de suplantación de GPS. Los resultados experimentales indican que el modelo propuesto logró una alta precisión del 99.79% en la detección de ataques de suplantación de GPS, demostrando su potencial efectividad para mejorar la seguridad de los VANT.