在信息技术时代,图像编辑技术极大地丰富了人类的生产和生活,但也给信息安全带来了困扰。被篡改的图像往往被用于非法活动,这给个人隐私、社会安全和国家安全带来了隐患。因此,为了保证网络信息等多方面的安全问题,识别和发现图像中被篡改的区域具有重要意义,也将成为未来世界多媒体网络安全的一个重要研究课题。随着深度学习技术的发展,越来越多的基于深度学习的图像篡改检测算法被推出,研究人员对算法的精度要求也越来越高,因此图像篡改算法的研究具有很高的学术价值和应用价值。本文选择基于深度学习的方法研究图像篡改检测算法。经过大量图像篡改领域的文献调研,选择改进经典的图像拼接篡改检测网络——RRU-Net,针对RRU-Net的现存问题做算法改进。首先,针对现阶段图像篡改领域数据集的数据量不足问题,我们选择通过数据增强的方式增加被篡改图像的数量和内容的丰富性,增强后的数据提高了模型的泛化能力,对算法的精度提升贡献很大。其次,针对被篡改图像中背景噪声过大,图像中干扰较多的问题,本文选择在特征提取阶段加入BAM注意力机制,它结合通道和空间注意力机制,对特征提取减缓干扰,同时提升网络下采样过程的特征提取能力。针对篡改区域形状不规则的特点,本文在特征提取阶段采用可变形卷积代替了部分普通卷积,可变形卷积可以增强篡改检测模型对不规则被篡改区域的特征提取能力。最后,针对背景和前景像素点分类不平衡的问题,本文采用了包含Dice损失和二元交叉熵损失的混合损失函数,在训练过程中用固定系数调整两部分的权重,提高模型的评估精度。本文做了验证性实验来检验本文提出的方法的有效性,验证性实验分为消融实验和对比实验。消融实验展示了各模块对模型准确性的贡献程度,对比实验显示了本文中图像篡改检测方法的先进性。最后,在真实场景中测试了本算法的性能。实验结果表明,本算法对被篡改区域的检测是准确的,与原来的RRUNet相比,性能有很大提高,并且改进后的算法具有一定的应用价值。