数字图像作为人们获取和传递信息的重要载体,在给人们生活带来便利的同时,也给社会带来了一些安全隐患。随着图像编辑软件的发展和普及,图像内容修改与图像伪造的成本变得越来越低,用户可以轻易利用图像编辑工具修改图像内容并且不留下明显的视觉痕迹。篡改图像在互联网中的肆意传播将对军事、政治、传媒等领域带来负面影响,因此,数字图像取证研究具有十分重要的现实意义。本文针对图像操作篡改检测以及图像篡改区域定位开展研究,主要工作内容如下:关于图像操作篡改检测,经过图像处理操作后,图像本身的内容并没有改变,模型需要学习的是处理操作带来的噪声特征,而非图像的内容信息。传统算法的过程较为复杂,一般需要手工提取特征,而且研究者要有丰富的数字图像领域知识。本文提出了基于SRM和残差网络的图像操作篡改检测算法,设计了一个预处理层,通过隐写分析领域中提出的SRM滤波器和约束性卷积核来提取图像的噪声特征。模型中还包含多尺度卷积层和残差模块,多尺度卷积层可以融合不同感受野大小的特征图,残差模块通过在输入和输出特征图之间建立短连接来有效降低模型在训练过程中梯度消失的风险,并加快网络的收敛速度。实验结果表明,本文提出的算法能有效的检测均值滤波、中值滤波、高斯模糊、JPEG压缩、对比度增强这五种图像篡改方式。针对图像篡改区域定位,由于篡改区域的尺度多样性以及模糊操作的干扰,传统方法难以提取图像的篡改特征。为了有效解决这一问题,本文提出了基于Deep Labv3+的多任务图像拼接篡改定位算法,利用全卷积网络所具备的自动特征学习能力以及精确的物体识别能力,将Deep Labv3+中的多物体分类问题转换为了篡改区域的定位问题。模型在空洞空间金字塔模块中融合空间和通道注意力机制,增强了模型对于重要特征的敏感性。此外,构建了一个预测篡改区域边界的分支网络,使用浅层的图像特征来预测篡改区域边界,提高了模型对于篡改区域的关注度。在CASIA V1.0和Columbia数据集中的实验结果表明,本文提出的算法能有效定位图像的篡改区域并辅助篡改图像的识别,F1-score和MCC指标均优于其他对比算法,对于篡改图像的识别精确率也有较大提升。为了简化模型的训练过程并降低模型的复杂度,本文采用轻量级的卷积网络构建了基于Mobile Net V2和SRM的图像拼接篡改定位算法。首先对轻量化卷积网络Mobile Netv2进行了改进,降低了其下采样的倍数,从而保留更丰富的图像篡改痕迹,还在其中使用了空洞卷积来扩大特征图的感受野。此外,模型中构建了双流网络,使用RGB流来提取图像的强对比度差异,非自然篡改边界等篡改特征,使用SRM来提取图像篡改区域和真实区域的噪声特征,最终通过改进后的注意力机制来融合双流特征。实验结果表明,本文所设计的网络模型在实现轻量化的同时仍有较高的定位精度,在CASIA v1.0数据集中的定位精确度同样优于其他的对比算法。