鉴定数字图像完整性、真实性和原始性已经成为当前一个亟需面对的问题。一方面,最近的研究主要采用低效率的手工特征提取算法,另一方面,随着数字图像伪造技术的不断改进,数字图像来源、内容伪造痕迹变得越来越隐蔽,检测难度不断提升。因此研究指纹提取效率、检测正确率和精度更高的数字图像取证算法成为当前数字图像取证领域中的一个研究热点和难点。本文针对JPEG格式数字图像来源识别和伪造区域与原始图像为不同成像来源的数字图像篡改问题展开了深入研究。首先,为了提升检测正确率,设计了一个基于卷积神经网络的数字图像来源取证算法。利用一种改进的CNN网络结构,实现64 × 64图像块上的图像来源检测;随后基于多数投票算法,综合多个图像块的投票结果来鉴定整幅图像来源,从而提升图像级别来源检测正确率。实验结果表明,在无攻击情况下,来源取证检测器对64 × 64图像块检测平均正确率高于93%;采用多数投票算法检测正确率接近100%;在JPEG压缩和添加随机噪声等攻击的情况下,提出的图像来源取证算法在图像块级别上正确率高于80.8%。其次,针对伪造区域与原始图像为不同成像来源的图像内容篡改检测问题,设计了一个基于成像来源的数字图像内容取证算法。将每个标签的输出置信度与图像块纹理度融合生成CNN置信度,并采用检测密度系来数调整误检测率,从而提升了图像级别篡改检测正确率和像素级别图像篡改定位的精细度。实验结果表明,提出的CNN置信度融合算法有效降低篡改区域边缘、低文理区域的误检测,并在图像级别篡改检测达到92.2%平均正确率;在像素级别的图像篡改定位上,采用融合算法后的最小检测单元从64 × 64降低到32×32,并在篡改区域达到90.5%检测正确率。本文研究了基于卷积神经网络的数字图像来源取算法和基于成像来源的数字图像内容取证算法,创新性地通过改进的CNN网络结构来提升图像来源检测的鲁棒性,并引入临近图像块的CNN检测置信度综合评估图像检测结果,为深度学习技术应用于数字图像来源和内容取证领域进行了有益探索。