目前,越来越多的数字图像应用于社会生活中,随着图像篡改技术的发展,人们越来越关注数字图像的完整性和真实性。常用的检测图像篡改的方法是数字图像被动取证技术。图像修复技术是一种高效的图像篡改技术,此篡改方式不会留下明显的痕迹,给取证带来严峻挑战。图像修复被动取证技术通过检测提取的图像特征判断图像的真实性和完整性。鉴于深度神经网络在自动发现分类所需的特征方面取得了卓越成效,本文采用深度神经网络进行图像修复被动取证,具体创新点如下:本文的网络结构为编码结构和解码结构,编码结构包括卷积层和池化层,解码结构包括反卷积层。首先,卷积层可以自动提取图像分类所需特征,池化层可以减少参数个数并提高网络鲁棒性。为了实现不同尺寸的图像取证,本文网络没有使用全连接层。其次,对于深度神经网络倾向于学习表达图像主要内容的特征而忽略微弱的特征,以及图像修复遗留的痕迹很微弱的特点。本文通过反卷积层将输出结果恢复到输入图像的尺寸,给图像中每个像素点一个标签,实现像素级的预测。从实验结果可以看出:本文方案对任意尺寸、形状和数量的篡改区域取证均取得了较好的效果,TPR最高可达到96.54%,FPR最低可至0.5%;计算速度较快,检测时间平均为2s。本文方法对不同篡改方案具有较好的鲁棒性和泛化性,能抵抗JPEG压缩操作和缩放操作的干扰。