Con el avance de muchas herramientas de manipulación de imágenes, llevar a cabo la falsificación de imágenes y ocultar la falsificación se está volviendo más fácil. En este artículo, se discute la innovación de la red neuronal convolucional (CNN) para la detección y localización de falsificaciones de imágenes. Se introduce un nuevo modelo de detección de falsificaciones de imágenes utilizando el marco de AlexNet. Proponemos un modelo modificado para optimizar el modelo de AlexNet utilizando normalización por lotes en lugar de normalización de respuesta local, una función de activación maxout en lugar de una unidad lineal rectificada, y una función de activación softmax en la última capa para actuar como clasificador. Como consecuencia, el modelo propuesto de AlexNet puede llevar a cabo la extracción de características así como la detección de falsificaciones sin necesidad de manipulaciones adicionales. A lo largo de una serie de experimentos, examinamos y diferenciamos los impactos de varias elecciones de diseño importantes de AlexNet. El modelo de redes propuesto se aplica en los conjuntos de datos CASIA v2.0, CASIA v1.0, DVMM y NIST Nimble Challenge 2017. También aplicamos validación cruzada k-fold en los conjuntos de datos para dividirlos en muestras de datos de entrenamiento y prueba. Los resultados experimentales obtenidos demuestran que el modelo propuesto puede lograr un gran rendimiento para detectar diferentes tipos de falsificaciones. El análisis de rendimiento cuantitativo del modelo propuesto puede detectar falsificaciones de imágenes con una precisión del 98.176%.