在互联网应用和信息安全技术的发展背景下,深度伪造图像生成技术得到了快速的发展,同时也对网络信息安全带来了风险和隐患,网络上充斥着众多基于深度学习“换脸”图片或视频,如果这些“深度换脸”图片或视频被恶意操控,对网络信息可信度将造成极大的影响,因此如何准确地检测伪造图像是生物特征识别安全性的重要研究范畴。本文的主要成果性内容包括:1、针对目前主流的深度伪造检测方法均通过CNN模型自动学到真伪可区分的特征,很少考虑到伪造特征的特点,从而来设计更适合深度伪造图片检测的检测模型。方法区别于常规的CNN分类识别网络,设计了一种符合伪造痕迹特点的检测网络。首先利用Resnet34卷积神经网络对待检测的图像提取初步的伪造特征,再经过空洞卷积提高网络模型的感受野,来更好的捕获比较分散的伪造痕迹,再由空间注意力模块进行权重的重加权,来减少其他背景信息的干扰,最后使用多层全连接神经网络对特征进行分类,来达到对深度伪造图片进行准确分类的目的。在Faceforensics++,CelebDF,DFDC三个主流数据集上进行实验,并取得比当前其他方法更好的效果。2、提出一种人脸深度伪造方法多分类检测网络。当前对深度伪造检测算法大多是一个二分类架构,缺少对伪造方法的分类检测。由于人脸深度伪造篡改区域主要集中在脸部,为了减少无关信息的干扰,方法利用双流网络对人脸深度伪造方法进行细粒度分类。其中一条流基于通道注意力,用来关注网络关键通道。另一条流基于空间注意力,用来提取单个特征图上的的关键区域。方法通过利用通道注意力和空间注意力帮助网络更好的学到主要特征,避免其他次要信息对特征决策的干扰。通过在主流的人脸深度伪造数据集上进行实验,取得了比目前主流检测方法更好的效果。