Obtener el equilibrio entre la pérdida de información y la precisión del entrenamiento es crucial en el aprendizaje federado. No obstante, la calidad inadecuada de los datos afectará la precisión del entrenamiento. Aquí, para mejorar la precisión del entrenamiento sin afectar la pérdida de información, proponemos un modelo de detección de datos maliciosos utilizando el algoritmo genético para resistir ataques de envenenamiento del modelo. Específicamente, el modelo consta de tres módulos: (1) Los participantes realizan un entrenamiento de un solo punto en los datos y cargan la precisión en el servidor de terceros; (2) Formulan una fórmula de puntuación de datos basada en la cantidad y calidad de los datos; (3) Utilizan el algoritmo genético para obtener el umbral que hace que la puntuación sea la más alta. Los datos con una precisión que excede este umbral pueden participar en el entrenamiento cooperativo del aprendizaje federado. Antes de participar en el entrenamiento, los datos de los participantes se optimizan para oponerse a los ataques de envenenamiento de datos. Experimentos en dos conjuntos de datos validaron la efectividad del modelo propuesto. También se verificó en el conjunto de datos fashion-MNIST y el conjunto de datos cifar10 que la precisión del entrenamiento de GAFL es un 7.45% más alta que la del modelo de aprendizaje federado en el conjunto de datos fashion-MNIST y un 8.18% en el conjunto de datos cifar10.