随着数字化、信息化的发展,数字图像已成为一种重要的信息载体,并以其形象直观、高效快捷的优点融入到人们生活、学习和工作中。同时,越来越多功能强大、简单易用的图像处理软件的出现,使得人们可以轻易地对图像进行修改编辑。而这些虚假的照片的不合法使用,给人们对客观世界的认知判断、社会的公正稳定造成负面影响,也给现实生活中的真实性判断带来严重的冲击。因此,对篡改图像进行取证是一个急切需要解决的问题,也是近年来信息安全领域中的研究热点。在众多图像篡改方法中,拼接是最常用的方法之一,对拼接篡改图像进行检测是图像篡改取证中一个重要的研究方向。本文通过总结和分析已有的图像拼接篡改检测技术,提出了两个基于卷积神经网络的图像拼接检测模型,并通过实验详细分析了其性能,进而设计并实现了一种基于所提模型的图像拼接检测系统。本文主要工作包括:(1)阐述了图像拼接检测的研究意义,对传统的图像拼接篡改检测方法和基于深度学习的检测方法进行了总结,并对每类方法的优缺点进行了分析;(2)针对基于卷积神经网络的图像拼接检测技术,详细阐述了全局平均池化对提升网络性能的作用,并设计了抑制图像内容影响的预处理层初始化方式和增强低层特征传播与重用的结构;(3)针对RaoNet模型中特征图尺寸减小快、信息损失严重的问题,借鉴VGGNet的结构,对RaoNet模型中的池化位置进行调整,并加深网络深度,提出了PlainNet模型。进一步使用全局平均池化减少网络参数、增强网络的泛化能力,并使用批归一化加快网络训练。消融实验表明,对RaoNet的每一步改进都有助于检测性能的提升。此外,对网络信息进行可视化分析,直观地展示了模型的检测性能和特征形态;(4)受DenseNet启发,在PlainNet模型的基础上采用密集连接实现特征重用,提出了FRNet模型。将低层特征直接与高层特征进行连接,加强低层特征的传播和重用,保持了低层特征的层级特性,有助于网络对图像拼接所引入的细微噪声特征的学习。通过对比实验、迁移测试证明了FRNet具有较强的泛化性和迁移性,说明了特征重用对图像拼接检测的有效性;(5)针对PlainNet模型和FRNet模型,进一步对比了平均池化和最大池化对检测结果的影响,以及验证了SRM中高通滤波器作为预处理层的初始化有助于提升检测准确率、加快网络收敛。最终实验结果表明,PlainNet模型和FRNet模型的检测准确率都超过了当前一些优秀的图像拼接检测方法。(6)以FRNet模型为核心,设计、实现了图像拼接检测系统,为用户对拼接图像的判断提供了更多依据。