多媒体技术的快速发展极大地简化了图像的制作和编辑,并且编辑后的图像相当逼真,人眼极难辨别。在有心之人的别有用心之下,这些伪造图像破坏了图像的原始语境,严重影响了人们的判断,尤其是在诸如商业部门、国家安全部门等重要的图像应用领域中,容易引发一系列安全隐患,损害个人的利益和社会的安全。因此,图像篡改检测引起了数字图像安全领域极大的关注。目前,深度学习被广泛应用于图像篡改检测,并取得了不错的成果。但是这些方法几乎都依赖低维的手工特征,缺乏对高维语义信息的关注,因此模型的性能难以提升。此外,这些方法还采用了大量的自制数据集对模型进行预训练,很大程度上会导致模型出现过拟合,因而模型的鲁棒性并不好。为了解决上述问题,本文基于语义分割网络提出了两个图像篡改检测模型,充分挖掘了数据本身的篡改信息,增强了模型对高维语义信息的关注,并分别通过引入多监督和对比学习,进一步提升了模型的性能。本文的主要研究工作如下:·提出了基于语义分割网络的多监督编码器-解码器模型:为了解决传统图像篡改检测方法依赖低维手工特征的问题,本文采用基于编码器-解码器的语义分割网络作为模型的基础框架,以获取图像内部的高维篡改信息。在编码器中,通过引入空洞卷积进一步扩大了模型的视野,并减少了网络的训练参数。在解码器中采用多次上采样操作,逐步还原了图像的细节。此外,由于网络结构的复杂性弱化了分类器的监督效能,本文设计了基于二元交叉熵损失的多监督模块来指导模型不同子网络的训练,从而优化了网络特征,提升了模型的准确率。·提出了基于对比学习的轮廓感知对比学习网络模型:基于多监督编码器-解码器模型,为了增强模型对篡改像素和真实像素之间差异性的关注,本文在编码器中引入了基于自监督的对比学习优化网络的特征提取过程,进一步提升了模型对高维语义信息的提取能力。此外,由于篡改边缘像素分类困难,本文在解码器中设计了辅助分类来给予边缘更多的关注,提升了边缘像素的分类准确率,从而定位更加清晰的篡改边缘。·图像篡改数据集下的实验对比与分析:在四个经典的篡改图像数据集上,本文采用F1值和AUC两个评估指标对比和分析了两个模型和基线方法的性能表现和定性结果。实验结果表明,与基线模型相比,基于语义分割网络的多监督编码器-解码器模型取得了更优的检测性能,且模型的鲁棒性更好,特别是在F1值上实现了30%-40%的平均性能提升。轮廓感知对比学习网络模型在四个数据集上的性能都优于多监督编码器-解码器模型。此外,本文还设计了大量的消融实验,总结并分析了两个模型中各个模块对性能的影响以及不同参数的选择策略。