Con el advenimiento y rápido desarrollo de la tecnología de manipulación de imágenes, se ha vuelto perjudicial para muchos aspectos de nuestra sociedad. Por lo tanto, la detección de manipulación de imágenes ha cobrado cada vez más importancia. Aunque los métodos actuales de detección de falsificaciones han logrado cierto éxito, la escala de las áreas manipuladas en cada imagen falsificada es diferente, y los métodos anteriores no tienen en cuenta esto. En este documento, creemos que la incapacidad de la red para adaptarse a regiones manipuladas de varios tamaños es la razón principal de la baja precisión. Para abordar el problema mencionado, proponemos una arquitectura de red neuronal llamada CAU-Net, que agrega propagación y retroalimentación residual, compuerta de atención y Atrous Spatial Pyramid Pooling con CBAM a la U-Net. El Atrous Spatial Pyramid Pooling con CBAM puede capturar información de múltiples escalas y adaptarse a áreas objetivo de diferentes tamaños. Además, CAU-Net puede resolver el problema del desvanecimiento del gradiente y suprimir el peso de las regiones no manipuladas, y CAU-Net es una red de extremo a extremo sin procesamiento de imágenes redundante; por lo tanto, es rápido detectar imágenes sospechosas. Finalmente, optimizamos la estructura de red propuesta mediante un estudio de ablación, y los resultados experimentales y de visualización demuestran que nuestra red tiene un mejor rendimiento en CASIA y NIST16 en comparación con los métodos de vanguardia.