近年来随着图像处理技术的发展,使得人们编辑图像变得越来越容易。人们在享受图像技术带来的便捷时也产生了相应的问题,即图像的真实性得到了挑战。互联网的发展,使得我们生活中充斥着大量的图像信息,然而恶意篡改的图片并不容易识别,造假图像一旦传播出去就会在军事、政治、司法、新闻等领域带来很大的影响。因此,能够检测数字图像的真实性成为急需解决的问题。在图像编辑过程中,会使用不同的图像操作来改变图像内容,能够检测图像是否经过某些操作对于鉴定图像的原始性与真实性具有重要意义。本文在深入研究国内外数字图像操作取证算法的基础上,提出了基于深度学习的数字图像操作取证解决方案。本文主要工作如下:(1)针对现存中值滤波检测算法在小尺寸图像块和低质量JPEG压缩图像块时性能急剧下降的问题,提出了加入放大预处理的CNN模型MFNet来自动学习特征并判别图像块是否经过中值滤波操作。首先,采用最近邻插值的方法来放大图像作为MFNet的预处理,扩大原始图像块和中值滤波后图像块之间的差异。然后,在MFNet的第一二层中加入了 Mlpconv层,增强整个网络的非线性建模能力,使得网络能够更好的学习中值滤波的非线性特性。最后,用三个普通卷积层来进一步融合提取特征。实验结果表明所提方法针对小尺寸图像块的中值滤波检测有较好的性能,值得一提的是本方法对16×16大小的图像块依然有效。(2)针对目前多数取证算法均是基于特定图像操作的问题,本文设计了一种能够检测中值滤波、高斯滤波、均值滤波、对比度增强、重采样、JPEG压缩等六种操作的CNN模型。首先在网络中加入了预处理放大层来增强类间差异。为了适应不同操作对图像产生不同的改变,采用了多尺度卷积核来学习提取不同操作的特征。在模型中还加入了 shortcut connection结构来增强网络中信息的传递。实验结果表明,本模型能够在小尺寸图像块时有效检测这6种操作。(3)针对上述提出的CNN模型不同层次特征使用不充分以及传递信息损失的问题,进一步设计了基于多层次特征融合的结构来检测多种图像操作。为了增强模型底层与高层之间的信息传递,同时提高特征的复用性,在网络模型中Mlpconv层之间加入了不同层次特征融合的结构,即每一层都与它前两层相连接。采用所设计模型对多类图像操作进行检测,平均准确率达95%以上,为多类图像操作取证提供了一种可靠的解决方案。