随着人工智能相关技术的飞速发展,深度学习与神经网络给许多传统行业使用的工具带来了新的变革,不仅大大提升了工具的使用效率,降低了使用的难度门槛,还提高了工具的产出质量。而对抗生成的思想被提出后,基于深度学习和神经网络等技术的媒体数据生成方式开始不断的创新和发展。这使得在当今社会中,用一款软件来替换别人的人脸制作一些伪造人像数据的操作不再专属于专业的图像视频制作人员。而这种技术的普及化会带来巨大的信息安全隐患和威胁,如果这种技术继续泛滥下去,以后将会广泛的出现侵犯他人肖像权、危害公共安全秩序的行为。因此,这种基于人像的虚假媒体数据检测的技术必不可少。虽然已经有很多检测算法被提出,但是当前的检测算法仍然具有性能不稳定,无法迁移到真实世界中加以应用、可解释性差和忽略时间维度信息等缺点。为了克服这些缺点,本文创新性的提出了两种伪造人像检测算法:第一种通过加强对非语义信息的特征提取和特征分析,绕开现有生成算法最擅长的语义信息生成,而从噪声分布特征和频域信息特征来分析判断媒体数据是否是虚假数据。同时本文将对于视频数据进行了特殊处理,结合了视频在时间维度上具备一致性的特点,将视频数据文件分为三段,每段分别提取局部特征和段特征,并整合在一起作为全局特征进行最后的分析处理,在一定程度上提升了本文提出的检测算法的准确率。第二种方法通过结合元学习中的思想,将检测算法网络分为特征提取网络模块和分类器网络模块,分别在虚假媒体数据检测任务中负责生成更强的特征表达和更好的泛化迁移两部分的任务。通过使用无监督学习中的训练方法,让特征提取网络模块可以对不同的媒体数据做更强的特征表征;而让分类器模块在特征提取网络模块的基础上进行训练,类似于元学习当中高阶导数的学习和训练,使得分类器网络模块可以快速迁移到其他数据集中,表现了较好的泛化能力和鲁棒性。为了体现本文方法的优越性,本文选用了现在生成图像质量较高的数据集和模拟真实世界数据分布的数据集进行精度和泛化能力衡量的实验。实验结果证明了本文方法的优越性,该方法克服了一些当今大多数检测算法的缺陷,证明了本文方法的实用性和价值。