由于视频编辑软件功能强大且易于操作,常常有不法分子恶意伪造视频,歪曲事实,给媒体、社会与政府带来了挑战。数字视频篡改取证成为了热门的研究领域。本文主要针对数字视频帧间篡改取证展开研究,帧间篡改包括帧删除、帧复制和帧插入操作。考虑到帧间篡改会破坏视频的时序相关性,提出了两种基于时序相关性的方法:1、传统视频帧间被动取证往往依赖单一特征,而这些特征各自适用于某类视频而对其它视频的检测精度较低。针对这种情况,提出了一种融合多特征的视频帧间篡改检测算法。该算法首先计算视频的SI和TI值并对视频进行分组,接着计算视频帧间连续性VQA特征,然后结合SVM–RFE特征递归消除算法对不同特征排序,最后利用顺序前向选择算法和Adaboost二元分类器对排序好的特征进行筛选与融合。实验结果表明,该算法提高了单一方法的篡改检测精度。2、视频帧间篡改检测往往利用视频相邻帧的相关性,而只利用帧间相关性处理后还需要阈值判断是否遭受篡改,使用的阈值无法自适应。针对这种情况,提出了一种基于E3D LSTM网络的视频帧删除篡改检测算法。首先,利用E3D LSTM网络的自我监督学习与分类任务结合,训练一个视频帧删除篡改检测模型。为了减少因视频画面抖动和画面缩放等操作造成的误判,将网络的输出分数转化为置信分数。置信分数进一步提高算法的鲁棒性。该算法能够利用时序信息提高视频帧删除篡改的检测能力。实验表明,该算法提高了视频帧删除篡改检测的精度,同时有很好的泛化性。