基于深度学习的图像生成技术在风格迁移、人脸属性编辑等领域大放异彩,但同时也降低了图像造假的门槛,各种图像生成技术的滥用使得市面上伪造图像泛滥,给个人及社会都带来了名誉等方面的负面影响,因此,伪造图像检测技术成为图像领域的研究热点之一。现有的检测技术主要面向低分辨率图像,在特定伪造图像生成方法的生成图上检测效果好,但在其他方法生成图上检测效果较差。而实际应用场景中,图像来源多数不明,无法进行针对性检测。且当下伪造图像分辨率越来越高,图像需要进行下采样来适应网络的输入格式,这会造成图像信息流失,检测效果因此受影响。针对上述问题,本文提出从频域角度提升模型泛化性、提高模型对高分辨率图像的适应性。主要研究内容包括:1)针对空域图像与频域图像在伪造图像检测方法中的效果差异,分析总结了频域在伪造图像检测领域应用的特殊性,发现了伪造图像检测特征提取在底层信息上的偏好,验证了高频频域图像相比空域图像在检测泛化性上带来的提升效果。从频域转换方法的底层原理出发重新设计了基于频域图像的神经网络架构输入预处理方法,为后续的检测工作提供了良好的理论基础。2)针对传统空域检测方法在伪造图像检测上泛化性弱的问题,提出一种通过频域变换及高频滤波,实现检测模型泛化性增强的伪造图像检测方法。该方法利用图像高频信息,结合注意力机制对伪造图像的共通特征进行学习,设计了挖掘伪造图像共通隐含特征的频域检测方法。实验表明,该方法能够在减少训练所需时长与训练图像数量级的同时,提升模型在11种流行伪造图像生成方法上的检测泛化性。3)针对目前高质量生成图像需要下采样以适配现有检测框架,造成信息损失,降低检测效果的问题,本文设计并实现了一个基于非常规离散余弦频域转换的伪造图像检测方法。该方法利用非常规离散余弦转换方法降低图像的空间输入规模,使网络可接受的图像规格至少扩大16倍,并保证输入图像的信息完整。同时,结合了两类通道筛选方法与注意力机制,在保全输入图像信息的基础上提升伪造图像检测的准确率。实验结果表明,该方法提升了对未知图像输入的适应性,获得了更强的泛化效果。