Die Erkennung und Lokalisierung von Bildmanipulationen sind notwendig, um den bösartigen Einsatz von Bildbearbeitungstechniken zu bekämpfen. Demgemäß ist es entscheidend, zwischen authentischen und manipulierten Bereichen durch die Analyse intrinsischer Statistiken in einem Bild zu unterscheiden. Wir konzentrieren uns auf die bei der Bildaufnahme und -bearbeitung entstehenden Artefakte der JPEG-Kompression. Wir schlagen ein Faltungsneuronales Netzwerk (Convolutional Neural Network, CNN) vor, das diskrete Kosinustransformationskoeffizienten (Discrete Cosine Transform, DCT) verwendet, wo die Kompressionsartefakte verbleiben, um Bildmanipulationen zu lokalisieren. Standard-CNNs können die Verteilung der DCT-Koeffizienten nicht lernen, da die Faltung die räumlichen Koordinaten verwirft, die für DCT-Koeffizienten essentiell sind. Wir erläutern, wie man ein neuronales Netzwerk entwerfen und trainieren kann, das die Verteilung der DCT-Koeffizienten lernt. Darüber hinaus stellen wir das Kompressionsartefakt-Verfolgungsnetzwerk (Compression Artifact Tracing Network, CAT-Net) vor, das sowohl Aufnahmeartefakte als auch Kompressionsartefakte gemeinsam nutzt. Es übertrifft traditionelle Methoden sowie solche auf tiefen Neuronalen Netzen basierende Ansätze erheblich bei der Erkennung und Lokalisierung von manipulierten Bereichen.