随着多媒体技术的快速发展,数字图像逐渐成为人们接收和传播信息的主要途径之一。与此同时,各种功能丰富的图像编辑软件的出现使得人们开始对数字图像的完整性和真实性表示担忧。在这种情况下,以识别数字图像来源相机为目的的数字图像来源鉴别技术引起了广泛的关注。大多数现有的方法仅关注于从相机单一伪像中提取特征,而忽略了遗留在图像中可能有助于提高检测准确率的其他伪像。在本文中,我们提出了用于数字图像来源鉴别的通用框架,基于这个框架,提出了三种数字图像来源鉴别方法:(1)提出了两种使用融合特征的数字图像来源鉴别方法首先提出了基于集成分类器的数字图像来源鉴别方法。该方法融合了三种不同的特征,分别是从模式噪声上提取的特征,对于CFA插值算法参数的估计得到的特征以及从原始图像上提取的特征,这三种特征能够全面的捕获相机在图像上遗留的各种伪像。然后通过使用集成分类器来解决高维特征训练慢的问题。然后提出基于富模型的数字图像来源鉴别方法。该方法避免了通过对相机软件算法和其参数的估计来捕获相机软件相关伪像,通过在预处理部分组合多个子模型构建富模型来捕获相机遗留信息。实验结果证明,所提两种方法的性能均优于现有的基于特征的数字图像来源鉴别方法。(2)提出了一种结合领域专家先验的深度学习来源鉴别方法本文将卷积神经网络引入到所提通用框架中,用卷积神经网络完成所提框架中图像变换,特征提取和分类部分的任务,避免了复杂的图像变换算法的使用和特征的构建。在将图像送入卷积神经网络之前,我们先使用由去噪算法,去马赛克算法和预测算法组成的预处理模块对图像进行处理。预处理模块能够引入领域专家先验知识,捕获相机硬件和软件相关伪像,进而抑制了图像内容对数字图像来源鉴别的影响,有效避免了相机属性信息的损失。实验结果表明,所提结合领域专家先验的深度学习来源鉴别方法能有效识别数字图像的来源相机品牌,相机型号和相机个体,其整体性能优于两种使用融合特征的方法和直接使用卷积神经网络而不引入领域专家先验知识的方法。