随着互联网技术的飞速发展,数字图像处理技术也越来越发达。现如今,普通用户也可以轻松地使用各种软件来编辑数字图像。虽然这些被篡改的图像能够给我们带来一些视觉或者娱乐效果,但是仍然会存在一些恶意的篡改,这些恶意的篡改图像将会在诉讼取证、刑事侦查、国家政治军事等方面造成巨大的影响,因此图像取证研究具有非常重要的意义。然而篡改图像通常会使用各种方式来进行编辑,本文主要针对图像重采样操作和拼接操作两个方面展开了研究。主要工作内容如下:针对目前在重压缩图像上检测重采样操作较为困难的问题,尤其是在重压缩图像上的下采样操作检测更为困难,本文在现有检测重采样算法的基础上,分析并设计出了一种三流卷积神经网络的重压缩数字图像重采样检测方法,用来提升在重压缩图像上检测重采样操作的精确度。首先设计了一种基于三流卷积神经网络的图像篡改检测方法,然后通过自定义的高通滤波器和受限卷积核分别来学习重压缩图像上的重采样特征和抑制重压缩图像内容的识别,并将三流提取出的特征进行堆叠。最后,考虑到低层级的特征中很大程度上反映了重采样操作痕迹,于是利用跳跃连接充分保留了低层级的特征,这一步骤大大提高了最终的检测精确度。实验与当下流行的方法进行了比较,实验结果表明,在测试相同数据集的情况下,本文提出的方法不仅可以有效的检测重压缩图像上的重采样操作,尤其在重压缩图像上检测下采样操作的精度提高了1%-5%,而且在整体定位局部重采样区域上也进行了实验对比,结果验证了所提算法在整张图像上定位篡改区域时更加精确。针对现有检测图像拼接的方法还不能准确判断并定位其拼接区域的问题,本文设计了一种不一致性引导下的重点关注拼接区域及该区域边缘信息的数字图像拼接检测算法。此算法由3个分支组成。首先,图像内容在被篡改的过程中,拼接物体的边缘都会留下篡改痕迹。为了能让网络学习到图像的边缘信息,但又考虑到篡改物体边缘由于像素点过少导致难以使网络收敛,于是本文沿着拼接物体的边缘分别向里和向外扩充了6个像素点,并将其加黑,类似形成了一个“甜甜圈”,由此该分支通过学习拼接区域边缘两边的不一致性,重点来定位拼接物体的边缘轮廓。其次,由于图像拍摄时的相机设备、光线、噪声等原因导致每张图像所包含的信息不同,这导致当拼接物体从原始图像复制到另一张图像中时,来自不同图像的区域所隐藏的信息是有区别的。因此,本文设计了一条分支来重点学习拼接区域与其他区域的不同,该分支中首次引入注意力机制来重点关注学习拼接区域。最后,设计了一条二分类输出分支,用0表示未篡改图像,1表示拼接图像。该分支可快速有效的判断输入图像是否为篡改图像,且可以与上述两条分支得到的结果共同来判定最终的检测结果。实验结果表明,本文所设计的网络模型不仅对不同分辨率图像有很好的泛化能力,且对于同图复制粘贴的篡改图像也有较好的泛化性能,且在检测准确度和定位精确度上优于现有的方法。