Die zunehmende Missbrauch von Bildbearbeitungssoftware, wie Photoshop und Meitu, führt dazu, dass die Authentizität digitaler Bilder in Frage gestellt wird. Gleichzeitig ermöglichen die weite Verbreitung von Online-Sozialen Netzwerken (OSNs) diese als dominante Kanäle für die Verbreitung manipulierter Bilder, um Falschmeldungen zu verbreiten oder Gerüchte zu fördern. Leider stellen die vielfältigen verlustbehafteten Operationen, die von OSNs angewendet werden – beispielsweise Kompression und Größenanpassung – erhebliche Herausforderungen für die Implementierung robuster Bildmanipulationserkennung dar. Um gegen OSN-geteilte Fälschungen vorzugehen, wird in dieser Arbeit ein neuartiges robustes Trainingsverfahren vorgeschlagen. Zunächst führen wir eine gründliche Analyse des durch OSNs eingeführten Rauschens durch und zerlegen es in zwei Komponenten: vorhersagbares Rauschen und unerwartetes Rauschen, die jeweils separat modelliert werden. Das erste simuliert das Rauschen, das durch bekannte (offen gelegte) Operationen von OSNs verursacht wird, während das zweite nicht nur die erste Komponente ergänzt, sondern auch die Schwächen des Detektors selbst berücksichtigt. Anschließend integrieren wir das modellierte Rauschen in einen robusten Trainingsrahmen, was die Robustheit des Bildmanipulationsdetektors erheblich verbessert. Ausführliche experimentelle Ergebnisse bestätigen die Überlegenheit des vorgeschlagenen Ansatzes gegenüber mehreren state-of-the-art-Verfahren. Schließlich fördern wir die zukünftige Entwicklung der Bildmanipulationserkennung durch die Erstellung eines öffentlichen Fälschungsdatensatzes, der auf vier bestehenden Datensätzen und drei der beliebtesten OSNs basiert. Der entwickelte Detektor erreichte kürzlich die Spitzenplatzierung in einem Wettbewerb zur Fälschungserkennung von Ausweisen. Der Quellcode und der Datensatz sind unter https://github.com/HighwayWu/ImageForensicsOSN verfügbar.