Las imágenes son potentes vectores de información que transmiten gran cantidad de datos y conocimientos a través de representaciones visuales. Su importancia en diversos ámbitos no puede negarse, ya que ofrecen ventajas únicas para la comunicación, la comprensión y la documentación. En una era caracterizada por la omnipresente influencia de las imágenes digitales, la ciencia forense de las imágenes representa una disciplina vital que aborda la acuciante necesidad de mantener la veracidad y fiabilidad del contenido visual digital. Las imágenes están naturalmente dotadas de una huella digital, incrustada durante el proceso de formación de la imagen. De hecho, la creación de una imagen digital, desde su adquisición en el sensor de la cámara hasta su almacenamiento final, imprime distintos artefactos que sirven como firma única. El objetivo de esta tesis es recuperar esta huella dactilar mediante el análisis del ruido. A lo largo de la cadena de procesamiento de la cámara, el ruido de Poisson inicial se transforma mediante múltiples operaciones propias de cada proceso de formación de la imagen, dando lugar a la imagen comprimida final. Como consecuencia, los residuos de ruido pueden arrojar importantes datos forenses. Estos indicios permiten detectar falsificaciones. En efecto, aunque las manipulaciones actuales permiten alcanzar un alto grado de fidelidad visual, al mismo tiempo introducen alteraciones en la estructura intrínseca de la imagen. La mayoría de los métodos de detección de falsificaciones aprovechan estas alteraciones de la huella intrínseca para detectar las regiones manipuladas. La primera parte de esta tesis se centra en este problema. Aquí, proponemos dos métodos basados en la detección de inconsistencias locales del modelo de ruido con respecto a un modelo de fondo. En particular, el método Noisesniffer adopta un paso de validación a contrario, con el objetivo de controlar el número esperado de falsas detecciones. A continuación, exploramos la posibilidad de aprender los rastros forenses mediante redes convolucionales profundas. Por último, nos centramos en la evaluación de los propios métodos de detección de falsificaciones. Proponemos una metodología y un conjunto de datos para estudiar la sensibilidad de las herramientas de detección a rastros específicos, así como su capacidad para realizar la detección sin pistas semánticas en la imagen. Las tareas forenses referidas a la cámara de origen, como la identificación del modelo de cámara de origen o la certificación del dispositivo de origen, también pueden realizarse utilizando dicha huella. De hecho, algunas de las huellas forenses incrustadas durante el proceso de adquisición de la imagen son exclusivas del modelo o del dispositivo. Aislando dichas señales, se puede obtener información sobre el dispositivo de origen. La segunda parte de esta tesis se centra en estas tareas. Aquí exploramos enfoques de aprendizaje para determinar si un par de imágenes contienen las mismas trazas forenses. Además, proponemos un nuevo enfoque estadístico para la certificación de la cámara de origen basado en trazas PRNU. Dicho enfoque se basa en dos pruebas de hipótesis basadas en correlaciones locales que no requieren el cálculo de distribuciones empíricas. Aún así, nada impide a los falsificadores ocultar la huella digital de la imagen. Por eso dedicamos la parte final de esta tesis al análisis de diferentes ataques contraforenses. Destacar las limitaciones de los métodos forenses actuales es importante para saber cuánta confianza se puede depositar en una imagen y para fomentar la exploración de métodos de autenticación alternativos. Con este fin, analizamos un enfoque novedoso introducido recientemente en la literatura para eliminar los rastros de la cámaras. Este enfoque se basa en una innovadora función de pérdida híbrida durante el entrenamiento de la red definida como una combinación de tres funciones diferentes: la función de similitud incrustada, la función de fidelidad truncada y la función de identidad cruzada. Además, proponemos un nuevo ataque contraforense basado en modelos de difusión.