Si bien la mayoría de los modelos actuales de aprendizaje profundo para la localización de falsificaciones de imágenes (IFL) se centran principalmente en el primer plano de las imágenes manipuladas, a menudo descuidan la información semántica de fondo complementaria esencial. Esta falta tiende a crear brechas significativas en la capacidad de estos modelos para interpretar y comprender a fondo una imagen manipulada, limitando así su efectividad en extraer rastros críticos de manipulación. Dado lo anterior, este documento presenta una red de aprendizaje complementario impulsada por aprendizaje contrastivo y reconstrucción de bordes (CECL-Net) para la localización de falsificaciones de imágenes. CECL-Net mejora la comprensión de las imágenes manipuladas al emplear una estrategia de aprendizaje complementaria que aprovecha las características del primer plano y del fondo, donde un extractor de bordes único (EE) genera artefactos de bordes precisos, y la reconstrucción de características guiada por bordes (EGFR) utiliza los artefactos de bordes para reconstruir un conjunto completamente complementario de características del primer plano y del fondo. Para llevar a cabo el proceso de aprendizaje complementario de manera más eficiente, también introducimos un método de supervisión de contraste píxel a píxel (PCS) que atrae regiones consistentes en características mientras repele regiones diferentes. Además, proponemos una estrategia de fusión densa (DF) que utiliza mecanismos de atención multi-escala y mutua para extraer características más discriminativas y mejorar el poder representacional de CECL-Net. Los experimentos realizados en dos conjuntos de datos de referencia, un conjunto de datos manipulado por Inteligencia Artificial (IA) y dos conjuntos de datos de desafío reales, indican que nuestro CECL-Net supera a siete modelos de última generación en tres métricas de evaluación.