Un ataque de inyección de datos falsos (FDIA) es una de las principales amenazas para los sistemas de energía, y la identificación de datos falsos es crucial para la operación estable de los sistemas de energía. Sin embargo, los datos falsos que se asemejan estrechamente a los datos normales obstaculizan la precisión de los métodos de detección existentes, y su rendimiento disminuye aún más cuando se exponen al ruido ambiental. Para abordar estos desafíos, este documento propone una red neuronal convolucional atencional basada en mejora de distinción y fusión de información (DEIF-ACNN) para la detección de FDIA. En primer lugar, al minimizar la pérdida de reconstrucción y discriminación, este documento diseñó un autoencoder con un discriminador para datos normales (NAE), que tenía la característica de producir una pequeña pérdida para datos normales. En segundo lugar, el NAE entrenado se utiliza para calcular la matriz de correlación de características entre los datos originales y reconstruidos para mejorar la distinción entre datos normales y falsos. Finalmente, para mejorar la extracción de características y suprimir la interferencia del ruido ambiental en la detección, DEIF-ACNN incorpora un módulo de atención de bloque convolucional (CBAM) para enfatizar los canales de características clave y resaltar las regiones cruciales en la matriz de características. Los resultados experimentales muestran que DEIF-ACNN supera a otros métodos de detección de FDIA en los sistemas de energía de bus IEEE-9, IEEE-14 y IEEE-118, logrando una precisión del 99.22%, 99.83% y 100.00%, respectivamente. Además, el método exhibe la mejor robustez bajo diferentes entornos de ruido, y su precisión se mantiene alrededor del 80%.