El rápido avance de la tecnología deepfake presenta desafíos significativos en la detección de videos falsos altamente convincentes, que plantean riesgos como la desinformación, el robo de identidad y las violaciones de la privacidad. En respuesta, este documento propone un enfoque innovador para la detección de videos deepfake mediante la integración de características derivadas de la optimización de colonias de hormigas-optimización de enjambre de partículas (ACO-PSO) y técnicas de aprendizaje profundo. La metodología propuesta aprovecha las características de ACO-PSO y los modelos de aprendizaje profundo para mejorar la precisión y la robustez de detección. Las características de ACO-PSO se extraen de las características espaciales y temporales de los fotogramas de video, capturando patrones sutiles indicativos de manipulación deepfake. Estas características se utilizan luego para entrenar un clasificador de aprendizaje profundo que distingue automáticamente entre videos auténticos y deepfake. Experimentos extensos utilizando conjuntos de datos comparativos demuestran la superioridad del método propuesto en términos de precisión de detección, robustez a técnicas de manipulación y generalización a datos no vistos. La eficiencia computacional del enfoque también se analiza, destacando su viabilidad práctica para aplicaciones en tiempo real. Los hallazgos revelaron que el método propuesto logró una precisión del 98.91% y una puntuación F1 del 99.12%, lo que indica un éxito notable en la detección de deepfakes. La integración de características de ACO-PSO y aprendizaje profundo permite un análisis exhaustivo, fortaleciendo la precisión y la resistencia en la detección de contenido deepfake. Este enfoque aborda los desafíos involucrados en la detección de falsificación facial y contribuye a salvaguardar la integridad de los medios digitales en medio de la desinformación y la manipulación.