近年来,随着深度学习技术的飞速发展,利用深度生成模型进行媒体伪造越来越普及,这些内容生成技术统称为深度伪造（Deepfake）。高质量的深度伪造图像人眼几乎无法辨别,如果用在科学研究、司法审判、新闻报道等领域,就会引起图像内容可信性问题,例如会误导公众、阻碍社会公平、干预政治事件等,带来难以挽回的危害。因此,研究如何鉴别深度伪造图像显得尤为迫切和重要。现有深度伪造图像检测方案存在准确率不够高、网络泛化能力不强等缺陷。本文利用深度学习技术研究面向生成对抗网络合成伪造图像的检测问题,提出了分别面向深度伪造与自然图像的分类和深度换脸图像的检测等问题的解决方案。本文的主要工作如下:（1）首先介绍了现有深度伪造检测技术的国内外研究发展状况,然后分析并总结了现有检测方法存在的问题,例如过度依赖GAN的网络架构、检测准确率不够高、面对未知生成模型泛化能力差等,最后以图文结合的形式详细阐述了本文主要的研究内容,描述了通用的深度伪造图像检测流程框架,从而为后续深度伪造图像检测算法研究奠定基础。（2）针对当前深度伪造图像检测方法准确率不够高的问题,本文提出了一种基于颜色与噪声感知的深度伪造检测算法（Color and Noise-aware Network,CNaNet）。通过分析自然图像的成像过程和GAN伪造图像的生成过程,利用两类图像在颜色和噪声两方面的差异性作为切入点,设计了双分支特征提取和融合网络。首先对图像进行一系列预处理操作,然后分别针对颜色分支和噪声分支训练了浅层卷积神经网络模型和VGG19模型,最后将两分支提取到的特征进行融合和分类。实验结果表明,本文提出的双分支融合网络的精度优于任何一个单分支网络的精度,分类准确率平均达到了 97%以上,高于现有几种代表性深度伪造检测方法。.（3）针对真实场景下现有算法对于GAN生成的低质量人脸伪造图像检测准确率低且泛化能力不足等问题,本文提出了一种端到端的基于多级预测与分组空间注意力的深度伪造检测算法（Multi-Stage Prediction and Grouped Spatial Attention,MSP-GSA）。由于待检测图像在真实场景中会受到各种传输或压缩处理,导致图像分辨率下降从而变得模糊,难以从中提取有效特征,因此现有方法对于低质量图像检测准确率普遍不高。本文研究面向真实场景下的深度换脸图像检测,算法网络模型的基础架构选用EfficientNet-B4来平衡参数数量、运行时间和分类性能,采用多级预测模块融合不同尺度的深层与浅层特征获取更加丰富的特征表达,并引入分组空间注意力机制对网络结构进行优化,用组空间中的整体信息来引导模型更好地学习到模糊图像中关键区域的特征,从而提高算法在真实场景下的检测能力。实验结果表明,本文提出的MSP-GSA在低质量换脸图像数据集上的准确率达到了 81.94%且AUC值达到了 83.16%,优于目前多种先进方法。同时,在包含多类伪造图像的数据集上进行实验,验证了本文方法MSP-GSA的泛化性。