中值滤波作为篡改数字图像的一种手段，会在一定程度上改变图像相邻像素点的灰度关系，从而导致图像失真。目前大部分图像中值滤波取证方法均是基于人工所提取的特征，这些方法的主要问题在于特征提取困难，尤其是在图像质量较差的情形中，检测性能会急剧下降。近年来深度学习已经被成功应用到了与计算机相关的各个领域，本文对基于深度学习的图像中值滤波取证问题进行了研究。
　　本文提出了一种基于DCT域卷积神经网络的新方法来解决中值滤波取证问题。首先，分析了中值滤波操作在图像中所留下的痕迹，特别是其导致的图像频率分布的变化，确定通过DCT变换将图像转换到频域中。然后，考虑到中值滤波痕迹可能仅存在于DCT系数矩阵的特定频带中，本文提出了阈值分割法和加权法来对DCT系数进行筛选。接着，设计了能够自动完成对DCT系数矩阵的阈值分割和加权操作的自适应阈值分割层和自适应加权层，从而抑制无关系数的影响，有助于使CNN专注于中值滤波痕迹而非图像内容。基于提出的自适应层，设计了两种不同的取证网络ATMnet和AWMnet，网络中使用了一种特殊的多尺度卷积，使网络能够自适应地对不同尺度的特征进行选择。
　　此外，本文将所设计的中值滤波取证CNN应用到了中值滤波图像的恢复问题中，并设计了基于生成对抗网络的中值滤波图像恢复模型DeMFGAN。DeMFGAN的判别模型使用了AWMnet，生成模型则使用了一种具有跳跃连接且不含池化操作的特殊网络结构，以保证信息不会丢失。生成模型仅对滤波图像与原始图像的差值进行学习，以提高网络的学习效率。在此部分，本文提出了一种融合对抗损失、空间域损失与DCT域损失的全新损失函数。
　　实验结果表明，本文所提出的中值滤波取证方法可以准确地判断图像是否经历过中值滤波操作且优于一些经典方法，特别是图像分辨率和JPEG压缩质量因子较低时优势更加明显。此外，本文所提出的取证方法具有区分多种不同的图像篡改操作的能力。在中值滤波图像的恢复问题中，本文所设计的DeMFGAN同样取得了非常不错的效果，能够有针对性地对滤波图像中的细节信息进行恢复，并且达到了比其他方案更好的视觉效果和更高的评价指标。