随着社会的发展和科技的进步,数字音频已经成为人们日常生活主流的信息载体。由于Cool Edit、Cakewalk以及Audition CS6等音频处理软件的广泛应用,人们肆意伪造或者篡改数字音频的行为也日渐增多。随着数字音频面临日益严重的信任危机,近年来国内外涌现出很多数字音频取证技术的研究。数字音频取证技术是通过解决数字音频的真实性、完整性以及原始性等安全问题,以达到保障数字音频安全性的目的。截至目前,数字音频取证技术已经得到了快速地发展,并且取得了较为丰硕的成果。然而值得注意是,已有的数字音频取证技术主要关注取证结果的准确性,往往忽略了取证方法本身的安全性和可靠性。假设非法分子在对音频进行篡改伪造之后,采取反取证技术来隐藏或消除篡改痕迹,那么已有的大部分取证技术都将可能失效。反取证技术能够从技术安全的角度去评估现有的取证方法,可以揭露取证方法中存在的潜在问题与缺陷,有利于现有取证技术的进一步发展与完善。相对于数字音频取证技术,目前针对数字音频反取证技术的研究还较少。本文以现有的数字音频取证技术为研究对象,针对数字音频的来源性与压缩历史取证两个方面进行反取证技术的研究和探索。具体的研究工作可分为以下三个方面:（一）针对音频来源识别与重压缩取证,本学位论文首先构建相应的取证样本库,并选择了三种典型的音频来源识别算法和三种典型的AMR重压缩检测算法,作为后续反取证研究的评估算法。在对上述六种算法进行原理剖析的基础上,我们使用构建的取证数据库对六种算法进行了复现和性能评估。（二）针对音频来源识别反取证,本学位论文首先研究了数字音频来源识别原理。在此基础上,我们使用生成对抗网络作为实施反取证操作的基本框架,并为来源识别算法设计了混淆攻击与误导攻击两种攻击策略。在生成模型与判别模型的对抗过程中,我们引入一个取证模型来对抗生成模型,将取证模型输出的损失反向传播给生成模型,以此推动生成模型获得反取证的效果。在损失函数的设计中,为了约束生成模型对输入音频的修改强度,本文设计了感知质量损失函数来保证受攻击后的音频不会被取证人员察觉。在模型训练中,我们通过使用大量的数据来训练生成器使得生成器能够学习到目标音频的统计分布,从而对音频进行有效地修改,以此达到攻击目的。实验结果表明,经过混淆攻击后的音频能够很好地躲避三种来源识别算法的检测,将他们的置信度从97%降低至了5%。而经过误导攻击的音频能够被三种识别算法以87.25%的概率误判成指定的设备类别。以上两种反取证音频的PESQ的平均值都处于3.4左右,攻击对造成的音质损失都在可接受范围内。（三）针对数字音频重压缩反取证,本学位论文通过分析两种重压缩检测场景,分别提出了基于生成对抗网络的反取证算法与基于优化方法的反取证算法。在场景一中,取证算法只接受AMR格式的音频作为检测样本,则经过反取证处理的音频需要经过AMR压缩成AMR格式提供给取证算法。我们使用生成对抗网络来实施对AMR压缩的逆变换过程。在训练中,我们通过数据驱动的方式训练生成器,使得生成器能够学习到二次压缩音频与原始音频之间的差异,在后续实验中能够提高二次压缩音频的音质,来抵消由于经过AMR压缩过程所造成的失真影响。实验结果表明,二次压缩音频在经过生成器修改继而压缩成AMR再解压后得到的音频,能够具有与一次压缩音频相接近的音质,平均PESQ评分在3.2左右。而且我们的反取证音频能够以95.42%的概率很好地躲避AMR重压缩取证方法的检测。在场景二中,取证算法只接受WAV格式音频,则我们只需要提供给取证算法WAV格式的待检测音频。我们使用两种优化方法（快速梯度下降法与基于显著图攻击方法）,通过尽可能少地对音频采样点的值进行改动,使得将二次压缩音频的统计分布特征与一次压缩音频相似。实验结果表明,优化方法可以在保持音频质量基本不变的情况下（PESQ评分保持在4.2）,使得取证方法基本失效,而且对于选取的三种检测方法的成功攻击率都保持在94%以上。