In den letzten Jahren wurden mehrere Techniken zur Gesichtsmanipulation in Videos erfolgreich entwickelt und der breiten Öffentlichkeit zugänglich gemacht (z.B. FaceSwap, Deepfake usw.). Diese Methoden ermöglichen es jedem, Gesichter in Videosequenzen mit unglaublich realistischen Ergebnissen und sehr geringem Aufwand zu bearbeiten. Trotz der Nützlichkeit dieser Werkzeuge in vielen Bereichen kann ihre bösartige Nutzung erhebliche negative Auswirkungen auf die Gesellschaft haben (z.B. Verbreitung von Falschinformationen, Cybermobbing durch gefälschte Rache-Pornografie). Die objektive Erkennung, ob ein Gesicht in einer Videosequenz manipuliert wurde, ist daher eine äußerst wichtige Aufgabe. In dieser Arbeit adressieren wir das Problem der Gesichtsmanipulationsdetektion in Videosequenzen, wobei wir moderne Gesichtsmanipulationstechniken im Visier haben. Insbesondere untersuchen wir die Kombination verschiedener trainierter Faltungsneuronaler Netze (CNN-Modelle). In dem vorgeschlagenen Ansatz werden verschiedene Modelle ausgehend von einem Basenetzwerk (z.B. EfficientNetB4) unter Verwendung zweier unterschiedlicher Konzepte erzeugt: (i) Aufmerksamkeitslayer; (ii) Siamesisches Training. Wir zeigen, dass die Kombination dieser Netzwerke vielversprechende Ergebnisse für die Gesichtsmanipulationsdetektion auf zwei öffentlich verfügbaren Datensätzen mit mehr als 119000 Videos liefert.