La navegación de pequeños vehículos aéreos no tripulados (UAV) depende principalmente de los sistemas de posicionamiento global (GPS). Sin embargo, los GPS son vulnerables a ataques de suplantación, lo que provoca que los UAV pierdan su capacidad de posicionamiento. Para abordar este problema, proponemos un método de aprendizaje profundo para detectar la suplantación de señales GPS recibidas por pequeños UAV. En primer lugar, describimos la adquisición y los métodos de preprocesamiento del conjunto de datos de señales GPS; estos incluyen el sistema de hardware del UAV y el interferidor utilizado en el experimento, las condiciones de tiempo y clima de la recolección de datos, el uso de coeficientes de correlación de Spearman para el preprocesamiento y el uso de SVM-SMOTE para resolver el desequilibrio de datos de suplantación. A continuación, introducimos un modelo PCA-CNN-LSTM. Utilizamos el análisis de componentes principales (PCA) del modelo para extraer información de características relacionadas con la suplantación del conjunto de datos de señales GPS. La red neuronal convolucional (CNN) en el modelo se utilizó para extraer características locales en el conjunto de datos de señales GPS, y la memoria a corto y largo plazo (LSTM) se utilizó como un módulo posterior de la CNN para un procesamiento y modelado adicionales. Para minimizar la aleatoriedad y el azar en los experimentos de simulación, utilizamos el método de validación cruzada de 10 pliegues para entrenar y evaluar el rendimiento computacional de nuestro modelo de aprendizaje automático de suplantación. Realizamos una serie de experimentos en un entorno de simulación numérica y evaluamos el modelo propuesto en comparación con los modelos de aprendizaje automático y aprendizaje profundo más avanzados. Los resultados y el análisis muestran que el modelo de red neuronal PCA-CNN-LSTM logró la mayor precisión (0.9949). Este documento proporciona una base teórica y un soporte técnico para la detección de suplantación de señales GPS de pequeños UAV.