图像篡改是一种恶意破坏网络中传播的图像信息内容的攻击手段,通过多种图像处理技术的综合应用将原本图像中想要表达的信息篡改为有意制造的虚假信息,被篡改的图像被用于视觉欺骗或伪造事实。在网络环境日益便捷的时代背景下,图像被广泛作为信息的载体在网络中快速传播,某些情况下图像甚至作为事实真相的证明在司法领域和生产生活中发挥重要的作用。图像篡改技术的快速发展对网络信息安全产生了极大的威胁,传统的图像篡改检测技术面对多样化发展的、甚至结合深度学习技术的图像篡改行为,其性能受到极大影响。依据某种特定特征的检测方法对新型图像篡改技术存在适应性差的问题,对具有不同篡改特征的图像检测任务存在局限性较大、灵活性差的问题。本文围绕图像篡改检测中的难点进行了研究,主要贡献如下:1、本文深入研究DeepFakes原理,并设计检测网络DFDM。检测方法针对结合了深度学习技术的新型图像篡改技术DeepFakes给传统图像篡改检测技术带来的新的问题,参照轻量级隐写分析模型基础网络构建检测网络的基础架构;引入自定义卷积核引导网络学习图像篡改区域的纹理差异;使用Max Pooling层降低网络参数的同时最大限度保留图像纹理特性;使用多层感知器（MLP）对图像样本进行分类。DFDM解决了深度学习分类网络无法检测GAN网络生成图像细节的问题。在FaceForensic++数据集上的仿真结果显示DFDM和同时期其他检测方法相比较具有较好检测能力。2、本文提出了图像内容篡改检测网络SFJNet。结合隐写分析成熟模型的关键组件,提高了检测模型对图像深层信息的学习能力;设计双网络联合检测模型改善单一网络检测在空间域或变换域上面临的局限性。鉴于图像篡改操作可能在图像空间域和变换域留有不同的篡改特征,双网络分别针对空间域和变换域的篡改特征做检测优化,变换域网络对数据进行离散DCT变换处理。针对双网络设计联合模块,使用极大似然估计法（Maximum Likelihood Estimate,MLE）对双网络做概率联合,使空间域判定和变换域判定相互弥补。仿真结果表明,SFJNet在CASIA数据集上的精确率、召回率、准确率等指标能够超过同类型方法。3、根据本文设计研究的算法实现基于Java Web的远端图像篡改检测系统。系统解决了图像篡改检测实际问题中自适应问题和分布式请求问题,通过远程云端服务器加载检测算法模型解决了对具有不同篡改特征的篡改样本使用传统检测算法检测时存在的局限性;通过远端服务器分布式计算解决了多请求处理的拥塞问题。