Questa tesi esplora l'uso dei Local Binary Patterns (LBP) e delle reti neurali convoluzionali (CNN) per rilevare la manomissione delle immagini, un problema sempre più diffuso nell'attuale panorama digitale. Attraverso un'analisi comparativa di quattro varianti di LBP utilizzando il set di dati CASIA-2.0, si combinano i descrittori di texture di LBP con CNN per migliorare l'accuratezza e la robustezza. La metodologia prevede la generazione di descrittori di texture locali con LBP e il loro inserimento in un'architettura CNN addestrata a classificare le immagini come manomesse o autentiche. Nonostante le sfide poste dalla complessità computazionale, la ricerca mira a contribuire a un sistema affidabile di rilevamento delle manomissioni applicabile in vari scenari del mondo reale. In particolare, Uniform LBP dimostra prestazioni superiori sia in fase di addestramento che di test, raggiungendo un'accuratezza e un punteggio F1 superiore al 97% nel rilevamento delle immagini manomesse, convalidando l'efficacia dell'approccio.