在視覺內容對通信和認證至關重要的時代，數字圖像偽造已成為重大威脅。復雜操縱技術的興起需要可靠檢測的創新方法。本研究提出一種利用特征圖卷積神經網絡（FM - CNN）中噪聲消除（NC）的數字圖像偽造檢測新方法。該方法通過在 CNN 架構內集成噪聲消除機制，利用特征圖辨別圖像內容的細微改變，增強對偽造區域的敏感性。通過選擇性過濾偽造過程中引入的噪聲模式，模型能更準確確定操縱區域。所提出的 NC - FM - CNN 架構在包含各種圖像操縱類型的不同數據集上進行了廣泛訓練，確保其對多種偽造技術的適應性。通過先進優化技術和正則化方法，網絡學習和區分真實與操縱特征的能力得到增強。實驗結果顯示準確率達 97%，表明 NC - FM - CNN 相比傳統偽造檢測方法具有優越性能。該模型即使在操縱細微或深層嵌入的情況下，也能穩健檢測偽造內容。此外，其處理不同偽造場景的效率使其成為數字圖像真實性驗證中法醫分析的通用工具。隨著圖像操縱技術的不斷發展，所提出的 NC - FM - CNN 框架為打擊數字偽造提供了主動可靠的解決方案，有助于建立可信賴的數字生態系統。