基于神经网络对图像中篡改现象进行检测的方法在数字图像取证领域具有巨大的优势,而目前只采用目标检测模型完成鉴别任务的相关工作较少。本文以人脸篡改检测为目标场景,提出相关方法,并在场景中的验证其效果,分析其优劣处,主要工作如下:（1）针对单一识别网络对篡改图片识别性能低的问题,在YOLOv4模型基础上提出一种融合多源视觉线索的人脸篡改检测模型。首先采用多种滤波器提取图像频域和噪声域的特征,并将提取到的特征拼接融合。其次,采用轻量级网络结构MobileNeXt作为主干网络,提升特征提取能力,最终采用基于深度过参数化卷积的特征融合网络融合多尺度特征。在Face-Forensics++数据集和Celeb-DFv2数据集上测试,鉴别效果相比于原YOLOv4均有明显提升。其中在Celeb-DFv2数据集中,AUC提升了1.3%,准确率提升了4.3%。（2）考虑到鉴别模型在特征空间与通道维度的应用不足,提出一种子空间混合注意力机制。网络结构首先为了提升细粒度分类特征的有效表达,将特征按通道维度划分为多组子空间特征,其次在每一组特征中引入空间注意力机制,对空间维度进行自适应调节,并采用通道注意力用以表征通道维度特征,融合每组特征的通道注意力特征与空间注意力特征,弥补跨通道之间非线性关系信息。最终,将各组多尺度特征进行拼接融合并输出。在不同数据集下做测试,结果表明,在网络引入约0.4%参数量的情况下,子空间混合注意力机制可以提升人脸篡改检测效果。其中在Celeb-DFv2数据集中,针对图像级的检测任务AUC提升了1.2%,准确率提升了1.8%,针对视频级的检测任务AUC提升了0.3%,准确率提升了1.4%。（3）针对移动端场景中对网络模型大小以及计算的局限性,修改模型结构,提出一种适用于移动端设备的人脸篡改检测网络结构。首先,采用多源视觉融合模块提取多源视觉线索,并设计一种基于紧凑型混合注意力网络结构进一步提取特征。其次根据数据集标注信息分析,将原网络中特征融合模块的输入由三种尺寸特征减少为两种尺寸,将用于特征融合的卷积层替换为单一的深度过参数化卷积,用于压缩通道的卷积层替换为单一的1×1卷积层,最终训练网络,并将训练好的网络用ncnn框架部署至移动端测试。经过测试,可以发现检测精度略微下降,但可以在移动端完成图像级检测任务。在Celeb-DFv2数据集中,针对图像级的任务AUC仅仅下降了0.2%。而参数量减少为原网络的1/3。