Capturar imágenes se ha vuelto cada vez más popular en los últimos años, debido a la amplia disponibilidad de cámaras. Las imágenes son esenciales en nuestra vida diaria porque contienen una gran cantidad de información, y a menudo es necesario mejorar las imágenes para obtener información adicional. Existen una variedad de herramientas para mejorar la calidad de las imágenes; sin embargo, también se utilizan con frecuencia para falsificar imágenes, lo que resulta en la difusión de información errónea. Esto aumenta la gravedad y la frecuencia de las falsificaciones de imágenes, lo cual es ahora una fuente importante de preocupación. Se han desarrollado numerosas técnicas tradicionales con el tiempo para detectar las falsificaciones de imágenes. En los últimos años, las redes neuronales convolucionales (CNN) han recibido mucha atención, y CNN también ha influido en el campo de la detección de falsificaciones de imágenes. Sin embargo, la mayoría de las técnicas de falsificación de imágenes basadas en CNN que existen en la literatura se limitan a detectar un tipo específico de falsificación (ya sea montaje de imágenes o copia y pegado). Como resultado, se requiere una técnica capaz de detectar de manera eficiente y precisa la presencia de falsificaciones no vistas en una imagen. En este documento, presentamos un sistema robusto basado en aprendizaje profundo para identificar falsificaciones de imágenes en el contexto de la compresión doble de imágenes. La diferencia entre la versión original de una imagen y sus versiones recomprimidas se utiliza para entrenar nuestro modelo. El modelo propuesto es ligero, y su rendimiento demuestra que es más rápido que los enfoques de vanguardia. Los resultados experimentales son alentadores, con una precisión de validación general del 92.23%.