El avance de la tecnología deepfake ha dado lugar a caras falsificadas cada vez más realistas, lo que representa un desafío para los modelos existentes de detección de caras falsas, que a menudo muestran una escasa adaptabilidad a técnicas de falsificación complejas y variadas. Para abordar este desafío, este documento propone una red de detección de caras falsas que demuestra una alta precisión y capacidades de generalización. Se diseña un módulo de calibración de normalización global para abordar el problema de extracción de características ineficaz dentro de la red, mejorando el enfoque del modelo en regiones clave de características mediante el establecimiento de un mecanismo de competencia de inhibición mutua entre diferentes canales. Esta red mantiene una alta precisión incluso cuando se enfrenta a diversos métodos de ataque en ambos mundos, objetivo y digital. Los resultados experimentales indican que el método propuesto sobresale tanto en pruebas de clasificación binaria como en pruebas de clasificación multiclase en el conjunto de datos CASIA-FASD, el conjunto de datos Celeb-DF y un conjunto de datos autoconstruido. Específicamente, para tareas de clasificación binaria, la precisión alcanza el 98.19% en el conjunto de datos CASIA-FASD, el 99.17% en el conjunto de datos Celeb-DF y el 98.03% en el conjunto de datos autoconstruido. En comparación, otros métodos muestran un rendimiento ligeramente inferior. Para tareas de clasificación multiclase, el modelo propuesto logra el mejor rendimiento en todos los tipos de falsificación probados, demostrando un rendimiento general y adaptabilidad excepcionales.