各种成像设备和图像处理软件的广泛使用一方面给人们的生活带来了极大的便利，另一方面也导致了数字媒体的真实性和完整性受到挑战。社会上频频发生的篡改伪造数字媒体事件，引发了人们对数字内容取证技术的关注。图像来源取证作为数字内容取证中的一个重要模块，关注于数字图像由哪种设备捕捉得到。正确的检测图像来源对刑事案件的调查和审判至关重要。现常见的来源取证方法，大部分都是基于直接从成像设备获取到图像的情况。而事实上，我们都是在社交平台上接触到待检测的数字图像，所以这些图像很有可能经历了裁剪，重压缩，对比度增强等篡改操作。基于更实际的取证场景中，本文将基于卷积神经网络对篡改后图片的来源取证展开研究，主要研究成果如下：
　　(1)提出一种基于残差神经网络的图像来源取证框架，该框架包含三个不同大小的残差模块，其中每个残差模块都可以实现对网络不同层级的特征融合。浅层卷积操作直接对输入图像进行小卷积操作，从图像的单个像素间提取源设备特征。而深层卷积操作则通过依次连接的卷积层组合来挖掘更高级的相关特征，网络的后续部分则对提取到的两类特征进行合并，实现对图像来源的取证。该策略采用卷积神经网络来提取特征并完成分类任务，避免了人工设计特征易受主观因素影响的缺陷。实验表明，本文提出的基于残差神经网络的图像来源取证框架具有良好的检测性能。
　　(2)对于经过篡改的图像，根据篡改前后光照响应不一致噪声(PhotoResponseNon-Uniformity，以下简称PRNU)的变化，将篡改操作分为有影响操作和无影响操作两大类。并且，若篡改操作属于有影响和无影响组合，在来源取证问题上可将其当作只经过有影响操作的图片来处理。在综合考虑了不同篡改操作对光照响应不一致噪声的影响后，设计了多维噪声提取层，该噪声提取层由一个预处理层和三个平行的不同大小的卷积层组成，涵盖不同类型篡改操作可能发生的像素范围，从而保护被提取的图像来源特征的完整性。再依次融合三个平行残差网络模块，池化层，全连接层，以提取所得到的图像噪声中包含的更高级的来源特征，然后输入到分类函数中判断图像来源，构建最终完整的篡改图像来源鉴别模型。实验结果表明，本文所提出的图像来源鉴别模型不仅能准确的判别单操作篡改后图像的来源，对部分双操作链也有着很好的鲁棒性。