El problema de las imágenes falsificadas se ha convertido en un fenómeno global que se está propagando principalmente a través de las redes sociales. Las nuevas tecnologías han proporcionado tanto los medios como el apoyo para este fenómeno, pero también están permitiendo una respuesta dirigida para superarlo. Los algoritmos de aprendizaje profundo por convolución son una de esas soluciones. Se ha demostrado que son altamente efectivos para lidiar con la falsificación de imágenes derivadas de redes generativas adversariales (GAN). En este tipo de algoritmo, la imagen se altera de tal manera que parece idéntica a la imagen original y es casi indetectable para el ojo humano no entrenado como una falsificación. El presente documento investiga la detección de falsificaciones por copia-movimiento utilizando un modelo de procesamiento por fusión que comprende un modelo de convolución profunda y un modelo adversarial. Se utilizan cuatro conjuntos de datos. Nuestros resultados indican un rendimiento de precisión de detección significativamente alto (~95%) exhibido por los detectores de falsificación de CNN de aprendizaje profundo y discriminadores. En consecuencia, un enfoque de red neuronal profunda entrenable de extremo a extremo para la detección de falsificaciones parece ser la estrategia óptima. La red se desarrolla en base a una arquitectura de dos ramas y un módulo de fusión. Las dos ramas se utilizan para localizar e identificar regiones de falsificación por copia-movimiento a través de CNN y GAN.