La fácil disponibilidad y usabilidad de herramientas de edición de fotos han aumentado el número de ataques de falsificación, principalmente ataques de empalme, aumentando así los ciberdelitos. Debido a un algoritmo de detección de manipulación de empalme de imágenes existente basado en aprendizaje profundo con alta complejidad de modelo y baja robustez, se propone un modelo ligero de fusión multisensorial para la detección de manipulación de empalme de imágenes. Para los problemas anteriores y para mejorar MobileNetV2, se eliminó el bloque estructural de la parte de clasificación de la estructura de red original, se cambió la zancada del sexto bloque estructural más grande de la red a 1, se utilizó la convolución dilatada en lugar de submuestreo, y las características extraídas del segundo y tercer bloque estructural más grande en la red se submuestrearon con agrupamiento máximo; luego, la restricción en la red principal se aumentó mediante conexiones de salto. Combinado con el módulo de pirámide de agrupamiento, las capas de características adquiridas se dividieron en regiones de diferentes tamaños para un agrupamiento promedio; luego, se fusionaron todas las capas de características. Los resultados experimentales muestran que tenía un bajo número de parámetros y requería una pequeña cantidad de cálculos, logrando una precisión del 91.0% y 96.4% en CASIA y COLUMB, respectivamente, y un valor F del 83.2% y 88.1% en CASIA y COLUMB, respectivamente.