近来,伴随着以Deepfake为代表的人工智能视频合成伪造技术取得的一系列成果,我们正在进入一个难以分辨真假图像的世界。人脸合成、面部身份互换、面部属性伪造和面部表情伪造四种人脸伪造技术正在广泛应用于视频类消费娱乐领域,但同时也在为虚假色情、假新闻、恶作剧和金融欺诈等方向不断提供支撑。伪造技术的各类负面应用引发广泛的社会担忧,检测假脸成为了学术界的热点问题。伪造检测领域中,深度学习已经成为在检测Deepfake图像方向上的主力军,正在不断发挥积极作用。但是伪造检测在攻防与实战检测中仍然存在困难。首先,伪造图像在互联网上流传会经历大量社交媒体洗涤,不利于检测器发现潜在伪造的痕迹。到目前为止,大多数使用信号级特征的数据驱动的深度伪造检测方法都受到了社交媒体洗涤的严重影响;其次,存在假脸检测器对包含低分辨率、模糊、暗光、背光、弱光以及阴阳脸等特征的图像效果不佳的问题。为丰富完善检测伪造人脸技术,在提高不法分子造假成本、降低网络诈骗概率、维护国家舆论、政治安全等方面发挥积极作用,本文围绕上述问题提出两种解决方案:1.提出一种融合Efficient Net B5和注意力机制的假脸检测方案实现假脸检测。通过采用注意力机制关注图像中有价值的特征内容和特征位置,使模型自适应得到更好的网络参数,实现端到端的训练。通过目前在人脸伪造方面最全面的数据集之一的DFDC,并结合色调饱和度、图像压缩、颜色抖动、缩放和旋转等数据增强操作,对Efficient Net B5-Att进行训练。实验结果表明使用注意力的Efficient Net B5训练的模型能在假脸获取更多正向信息,以此添加额外的监督,获得更好的模型性能;训练集与测试集不同时,做预处理后模型在不同测试集下性能表现相差不大。最终,实验结果证明融合注意力机制和Efficient Net B5网络模型能有效提升假脸检测能力,积极正向的数据增强对模型泛化能力有显著增强作用,对社交媒体洗涤具备更高的适应性。2.提出基于多尺度特征提取的低质量假脸检测方法,针对低质量假脸检测情况做出详细分析,并针对由于分辨率较低、图像曝光度不足等表现出的低质量假脸检测效果不佳的情况,提出基于HDR、图像超分与DCT技术特征提取的假脸检测技术检测方案。为更好的服务模型训练,构建自有数据集于实验,训练测试低质量假脸检测模型。实验结果表明使用Efficient Net-RHD训练的网络模型应用于假脸检测,能有效提升低质量假脸检测能力,同时自建数据集也在低质量假脸检测中发挥积极正向作用。综上,本文对目前存在的假脸检测算法进行研究,并对当前检测模型存在的问题提出有效的解决方案,丰富完善伪造检测领域算法,为假脸检测领域的下一步研究做出积极有益贡献。