数字图像如今是人们进行信息交互的主要载体,然而随着图像获取和显示技术的快速进步,通过对高保真度液晶显示屏进行拍摄从而获得高质量的翻拍图像变得愈发容易。所得到的翻拍图像对当前的图像取证技术和智能识别系统均构成了严重威胁,因此对翻拍图像进行检测具有重要的理论和实践意义。本文以翻拍过程所引入的特殊相关性为研究对象,从传统手工设计特征入手展开研究,随后借助深度学习技术进行端到端的训练来提取深度特征,不断提高检测准确率,本文依次提出以下三种翻拍图像检测算法:（1）由于特定环境中利用翻拍图像自身特征的提取方法可能失效,提出与环境具有弱相关特性的基于局部三元计数直方图的翻拍图像检测方法。该方法首先在HSV颜色空间中计算原始图像及其平均池化图像在不同方向上的二阶差分图。随后通过线性预测器从这些二阶差分图中计算高阶预测误差图。最后,计算所有下采样后的预测误差图的归一化局部三元计数（Local Ternary Count,LTC）直方图作为特征,输入到支撑向量机（Support Vector Machine,SVM）中进行训练和分类。实验结果表明,该方法在最难以检测的ICLCOMMSP数据库上的性能优于其它传统方法,而且它在所有数据库上的表现与已有的一些基于深度学习的检测方法非常接近,这验证了该算法的有效性和优越性。（2）针对传统机器学习方法的特征采用手工提取,得到特征具有较大主观性,模型泛化能力不足等问题,提出基于深度混合相关性网络的翻拍图像检测算法。该算法首先设计了一个深度混合相关性模块来提取不同颜色通道和相邻像素之间的相关性,该模块有三个不同的分支,每个分支包含一个1×1卷积层,用于学习颜色通道之间的相关性;以及两个连续的卷积子模块,用于提取相邻像素间的相关性。随后将深度混合相关性模块的输出输入到连续卷积模块中,以进一步学习用于决策的分层表示。实验结果表明,该算法的检测准确率相较于传统方法有很大提升。此外,在图像压缩质量因子Q=60时,该算法仍能达到较高的检测准确率,说明该方法对图像压缩具有较好的鲁棒性。（3）针对传统边缘检测算子结构简单而性能不够强大,传统卷积神经网络采用随机初始化权重而不能更加关注于图像边缘的特点,将两者结合起来,提出基于广义中心差分网络的翻拍图像检测算法。该算法将传统卷积和中心差分卷积进行结合,从而得到广义中心差分卷积（Generalized Central Difference Convolution,GCDC）,以此来替代传统卷积,从而获取更加细致的相关性特征。同时,将多个GCDC模块的特征映射连接起来,以融合低、中、高层特征,从而获得更高的性能。在三个公共翻拍图像数据库上的大量实验表明,该算法在所有数据集上的平均准确率超过99%,实现传统翻拍过程遗留效应描述特征与前沿深度学习技术的优势互补。