El aprendizaje federado, un paradigma descentralizado, ofrece el potencial de entrenar modelos en múltiples dispositivos mientras se preserva la privacidad de los datos. Sin embargo, desafíos como actores maliciosos y la fuga de parámetros del modelo han generado preocupaciones. Para abordar estos problemas, presentamos un esquema de aprendizaje federado anti-colusión confiable basado en teoría de juegos, que combina técnicas de teoría de juegos y modelos de confianza racional con cifrado funcional y contratos inteligentes para una seguridad mejorada. Nuestras evaluaciones empíricas, utilizando conjuntos de datos como MNIST, CIFAR-10 y Fashion MNIST, subrayan la influencia de la distribución de datos en el rendimiento, con configuraciones IID destacando sobre las no-IID. El esquema propuesto también demostró escalabilidad en diversos recuentos de clientes, adaptabilidad a diversas tareas y una seguridad reforzada a través de la teoría de juegos. Una observación crítica fue el equilibrio entre medidas de privacidad y rendimiento óptimo del modelo. En general, nuestros hallazgos resaltan la capacidad del esquema para fortalecer la robustez y seguridad del aprendizaje federado.