Detectar la actividad maliciosa con anticipación se ha vuelto cada vez más importante para la seguridad pública, la estabilidad económica y la seguridad nacional. Sin embargo, la disparidad en los estándares de vida incita a ciertos miembros indeseables de la sociedad a cometer crímenes, lo que puede perturbar la estabilidad de la sociedad y la calma mental. Los avances en el aprendizaje profundo (DL) hacen posible abordar estos desafíos y construir un marco inteligente completo que detecte automáticamente dichos comportamientos maliciosos. Motivados por esto, proponemos un modelo Xception basado en una red neuronal convolucional (CNN), es decir, BlockCrime, para detectar crímenes y mejorar la seguridad pública. Además, integramos la tecnología blockchain para almacenar de forma segura las ubicaciones de los lugares de crímenes detectados y alertar a las autoridades policiales más cercanas. Debido a la escasez del conjunto de datos, se ha preferido el aprendizaje por transferencia, en el que se utiliza un modelo Xception basado en CNN. La arquitectura Xception rediseñada se evalúa con diversas medidas de evaluación, incluida la precisión, el puntaje F1, la precisión y la recuperación, donde supera a las arquitecturas de CNN existentes en términos de precisión de entrenamiento, es decir, 96.57%.