El surgimiento de tecnologías integradas de posicionamiento, comunicación y percepción ha allanado el camino para un aumento en los vehículos conectados y autónomos. El sistema de control ha tenido éxito en la transmisión confiable y rápida. Sin embargo, las aplicaciones prácticas enfrentan riesgos de seguridad, especialmente la manipulación de datos y los ataques de suplantación. Para mejorar la resistencia del sistema contra posibles ataques, intentamos aprovechar un marco de autenticación asistido por aprendizaje de redes generativas adversariales (GAF). Además de proponer un nuevo método para validar vehículos, también presentamos una nueva innovación arquitectónica en el par generador-discriminador para lograr resultados mejorados. La subred generadora se construye utilizando una red neuronal convolucional avanzada, mientras que el discriminador está diseñado para aprovechar información global y local para determinar si una señal es real o falsa. Sobre esta base, proponemos un método de autenticación basado en mejora de señal, una red generativa adversarial convolucional profunda (DCGAN). Los resultados experimentales utilizando el conjunto de datos del Instituto Nacional de Estándares y Tecnología (NIST) muestran que el método propuesto es efectivo en la eliminación de ruido y mejora del rendimiento de detección.