随着信息技术的发展和数码相机设备的普及,图像已成为一类重要的信息载体。与此同时,图像编辑工具的广泛使用使图像的真实性、原始性和完整性受到极大的挑战,恶意地篡改图像会对社会造成严重的负面影响。为了有效遏制图像造假行为,数字图像取证技术应运而生。图像来源取证作为数字图像取证的重要分支,在版权保护、图像溯源等方面都具有重要意义。本文从图像来源取证算法的准确性、安全性和适用性等方面进行了研究与分析,主要成果性工作包括:(1)提出一种基于生成对抗网络的重获取取证攻击算法。该工作从攻击者的角度出发,提出了一种重获取图像转换方案,达到既能消除重获取操作引入的纹理痕迹又能使图像不被经典的重获取取证算法检测到的目的。该方案基于生成对抗网络的基本框架,根据重获取图像的特点设计了生成器和判别器的网络结构,并且创造性的提出了一项新的目标函数约束项来避免转换后图像内容发生较大畸变。实验结果表明该方案可以从视觉效果和统计特征两方面对重获取图像进行转换,达到对人类视觉和图像来源取证算法的双重欺骗。(2)提出了一种基于深度学习的重获取取证算法。该工作从算法安全性的角度出发,旨在设计一种能够有效抵抗对抗样本攻击的方案。根据对抗样本的产生原理,该方案在一般深度学习框架的基础上,提出两项安全性改进策略。首先在损失函数上添加一项约束项来控制交叉熵损失对输入样本的梯度平滑性。其次采用了正常样本和对抗样本融合训练策略来训练网络。实验结果表明,该方案能够在保持正常样本高分类准确率的前提下,对对抗样本也能够较好的分类,增强了算法安全性。(3)提出一种针对重获取图像的相机源取证算法。该工作将相机源取证技术应用到重获取图像中,扩大了相机源取证技术的适用性。由于重获取操作会为图像引入大量的噪声,干扰了原有的和相机设备相关的特征,普通的相机源取证算法不再完全适用。为了提取到更丰富的相机特征,该方案采用子网络并联的网络结构,不同的子网络采用不同的高通滤波核做预处理,然后将每个子网络提取的特征合并在一起进入到分类模块。实验结果表明,该方案能够有效提升重获取图像的相机源取证分类效果。