近年来,互联网与多媒体信息技术的迅速发展,视频以其直观、信息量大等特点,广泛应用于社会生活的各个领域,成为当今社会信息交流中必不可少的一部分。与此同时,各种视频编辑工具大量涌现,视频篡改变得越来越简单,给视频的真实性、完整性带来巨大威胁。现有针对视频篡改的检测算法往往无法较好抵抗噪声、缩放、压缩等攻击手段,特别是基于深度神经网络的检测算法性能受到对抗样本的影响极大。因此,研究鲁棒的视频篡改检测算法对于实际应用有重大意义。本文对视频篡改检测技术进行了全面研究,包括对传统帧间篡改和对新兴深度伪造篡改的检测,重点探讨如何提高篡改检测的鲁棒性。具体而言,提出了一种针对视频帧重复的检测算法以及两种针对深度换脸视频的检测算法,主要工作以及创新点如下:（1）针对视频帧复制篡改所带来的威胁,提出一种基于时域中心对称局部二值模式特征的篡改检测方法。时域信息是视频最重要的信息之一,主要体现在视频相邻帧之间具有很强的相关性,视频帧间篡改会破坏这种相关性。本文将中心对称局部二值模式（Center Symmetric Local Binary Pattern,CS-LBP）算子推广到时域,设计了一种时域中心对称局部二值模式（Temporal Domain Center Symmetric Local Binary Pattern,TCS-LBP）算子,深入分析其理论依据并应用于视频篡改检测。检测过程中首先计算视频各帧的TCS-LBP特征图,然后以特征图之间的分块余弦相似度均值为依据来判断是否存在篡改。算法采用了一种自适应的阈值选取策略,提高了鲁棒性;并根据帧复制的篡改特点提出了一种虚警和漏检的修正措施来提高准确率。实验结果表明,本方法性能优于4种同类算法,且对高斯模糊、图像缩放、码率缩减等常见的视频攻击具有较好的鲁棒性。（2）针对深度换脸篡改所带来的威胁,提出一种基于人脸生理特征的篡改检测方法,利用眼动特征判断视频是否存在换脸。真实视频的眼球运动通常具有较高的灵活性以及双眼协调联动性,但深度换脸视频大多在协调时域的一致性方面存在局限性,故可利用真实视频与深度换脸视频中眼球运动的差异来区分二者。据此,本文在时域上定义了单眼灵活度,在时空域上定义了双眼吻合度来描述眼球在视频中的运动特征,构造特征向量,并利用SVM（支持向量机）分类器对真假脸视频进行判别。与一系列基于手工特征和基于深度神经网络的检测算法进行的对比实验表明,在对抗常规高斯模糊、视频帧缩放以及新型人工智能对抗样本攻击方面,本算法具有良好的鲁棒性,且计算复杂度较低。（3）在第二项工作的基础上,针对深度换脸篡改视频,提出了一种基于人脸标志点（Facial Landmark）的篡改检测方法,具有更高的鲁棒性和更好的通用性。首先根据人脸标志点的位置以及活跃度筛选鲁棒的人脸面部标志点,定义面部向量,利用人脸面部向量构造时空域特征角,计算其在整个时间轴上的均值、标准差、偏度、峰度以及一阶自相关系数这5种统计量,构造特征向量,利用SVM分类器鉴别深度换脸视频。对比实验表明,本算法通过较低的计算复杂度,在对抗常规攻击和对抗样本攻击方面具有更好的鲁棒性;特别地,本算法对视频分辨率和视频质量有更好的兼容性,在无法精确提取面部细节的条件下仍能获得稳定的检测准确率。