Con el rápido desarrollo de la tecnología deepfake, se están encontrando aplicaciones en la producción de películas virtuales y entretenimiento. Sin embargo, su potencial para un uso malicioso, como la generación de información falsa, noticias falsas o pornografía sintética, plantea amenazas significativas para la seguridad nacional y social. Diversas disciplinas de investigación están activamente comprometidas en el desarrollo de tecnologías de detección de videos deepfake para mitigar los riesgos asociados con contenidos deepfake maliciosos. Por lo tanto, la importancia de la tecnología de detección de videos deepfake no puede ser subestimada. Este estudio aborda el desafío planteado por las imágenes en conjuntos de datos inexistentes mediante el análisis de métodos de detección de videos deepfake. Utilizando técnicas de detección temporal y espacial y empleando 68 puntos de referencia faciales para alineación y extracción de características, esta investigación integra la estrategia de aumento de datos guiada por atención (AGDA) para mejorar las capacidades de generalización. El rendimiento de detección se evalúa en cuatro conjuntos de datos: UADFV, FaceForensics++, Celeb-DF y DFDC, con resultados superiores en comparación con enfoques alternativos. Para evaluar la capacidad del estudio para discriminar con precisión la autenticidad, se realizan experimentos de detección tanto en videos genuinos como en deepfake sintetizados utilizando los marcos DeepFaceLab y FakeApp. Los resultados experimentales muestran un mejor rendimiento en la detección de videos deepfake en comparación con otros métodos.