随着信息化时代的到来,大量的数字信息充斥着人类的日常生活,人们可以轻松的获取到数字信息。由于智能手机、平板电脑和其他移动设备的大量使用,数字视频已经成为了主流的多媒体应用,并且被广泛应用到视频教学、视频会议、视频点播、娱乐社交、新闻和司法刑侦等各领域。数字视频已经成为了人类日常信息传输的重要媒介。数字多媒体技术的发展帮助我们克服了社会上的许多障碍,但也带来了与信息有关的严重威胁。随着各种各样的视频编辑工具软件的普及,普通人也能够轻松地伪造和编辑视频。对于一些不法分子,通过使用编辑软件篡改原始视频信息,破坏了视频的真实性和完整性,从而达到非法的目的,很可能造成恶劣的后果。为了解决视频的安全问题,视频篡改检测技术被提出。视频篡改检测技术已经成为了国内外专家在多媒体安全领域的研究热点,本文主要围绕深度学习在视频篡改检测技术中的应用进行深入研究,主要完成的研究工作有如下两个方面:（1）基于卷积神经网络和感知哈希学习的视频帧内篡改检测算法。研究的主要思想是首先将视频进行预处理得到相应的视频时域代表帧,然后利用时域代表帧作为卷积神经网络的输入来学习时空域的视觉特征。同时设计了哈希层为每个输入的时域代表帧学习独立的哈希函数并且生成最终的视频哈希。最后在优化目标函数中,考虑到量化误差对整个框架的影响,将其加入到整体的损失函数中,进而获取更具表现力的哈希。我们从抗内容保持操作能力和篡改识别能力两方面分析了该方法的有效性和可行性。实验结果表明,该算法表现出良好的鲁棒性和区分性,并且能够有效的检测出是否发生篡改。（2）基于3D卷积神经网络的视频帧间篡改检测算法。研究的主要思想是基于传统的2D卷积神经网络无法提取时域特性上的特征,引入了3D卷积神经网络的概念用于帧间篡改检测神经网络的设计。3D卷积神经网络能够在同一时间内处理一段连续的视频帧序列,得到的映射图具有多个视频帧的信息。相对于现有的3D卷积神经网络,我们设计了一个像素差异卷积层,即在第一层进行卷积时,提前引入一个像素差异层,用于获取输入的视频帧间的像素差异值。差异值将作为3D卷积层的输入进行卷积计算,完成后续的卷积和池化操作后,最终能够获取包含大量的时间信息的特征用于分类,该特征对于视频帧间的篡改操作表现的更加敏感。我们针对静态和动态单镜头视频中的帧插入、删除和复制三种类型的篡改进行实验,该方法均能表现出良好的分类性能,并且在帧间篡改检测的性能方面优于现有的技术。