Actualmente, los videos e imágenes digitales poseen una amplia utilidad, que va desde propósitos recreativos y en redes sociales hasta verificación, operaciones militares, procedimientos legales y penalización. Los mecanismos de mejora de este medio han experimentado avances significativos, lo que los hace más accesibles y ampliamente disponibles para una población más grande. Como resultado, esto ha facilitado la facilidad con la que los falsificadores pueden manipular imágenes. Las técnicas de extracción y detección de características basadas en redes neuronales convolucionales (CNN) se utilizaron para llevar a cabo esta tarea, que tiene como objetivo identificar las variaciones en las características de la imagen entre áreas modificadas y no manipuladas. Sin embargo, la eficacia de los métodos de detección existentes podría ser más eficiente. Las contribuciones de este documento incluyen la introducción de un método de segmentación para identificar la región de falsificación en imágenes con la estructura mejorada del modelo U-Net. El modelo sugerido conecta la tubería del codificador y decodificador al mejorar el módulo de convolución y aumentar el conjunto de pesos en la ruta de contracción y expansión de U-Net. Además, los parámetros de la red U-Net se optimizan utilizando el algoritmo de optimización de saltamontes (GOA). Se realizaron experimentos en el conjunto de datos de evaluación de detección de manipulación de imágenes de acceso público del Instituto de Automatización de la Academia China de Ciencias (CASIA) para evaluar la eficacia de la estrategia sugerida. Los resultados muestran que las modificaciones de U-Net mejoran significativamente los resultados de segmentación en general en comparación con otros modelos. La eficacia de este método se evaluó en CASIA, y los resultados cuantitativos obtenidos basados en la precisión, precisión, recuperación y la puntuación F1 demuestran la superioridad de las modificaciones de U-Net sobre otros modelos.