Este artículo revisa las técnicas de aprendizaje profundo aplicadas a la detección de imágenes alteradas, un área crítica en la actualidad debido al aumento en la manipulación digital de contenido visual. Se analizan enfoques que utilizan redes neuronales convolucionales (CNN) y métodos generativos adversariales (GAN) para identificar modificaciones en imágenes. La revisión abarca 40 artículos relevantes, destacando los avances en arquitecturas de red, conjuntos de datos utilizados y métricas de evaluación. Los resultados indican que las técnicas basadas en aprendizaje profundo superan a los métodos tradicionales en precisión y robustez. Se concluye que, aunque existen desafíos, como la generalización a nuevas alteraciones, el aprendizaje profundo ofrece un camino prometedor para mejorar la detección de imágenes alteradas.