随着语音编辑软件功能的强大,对语音材料的修改和处理也越来越方便,而大多数情况下人耳往往很难感知到这类修改遗留的痕迹。事实上,一些不法分子很有可能通过这些语音编辑软件对语音材料进行伪装操作,从而达到不可告人的目的,这些伪造操作会对司法取证工作带来严重的干扰。尽管数字语音取证技术在近年来得到了不断的发展,但值得注意的是现有大多数的语音取证工作针对的是单一伪造操作,比如变调取证算法只可检测待测语音是否经过变调的伪造操作。这类仅适用于单一伪造操作的取证方法,尽管可以达到很高的检测率,但在实际场景中往往会因为取证者无法提前预知具体的伪造操作类型,而无法准确选择对应的检测算法,这样甚至很大概率会出现误判的结果。因此,如何对多种伪造操作的数字语音进行有效地检测是目前亟需解决的问题。本学位论文主要研究的内容为适用于多种伪造操作的数字语音取证方法。论文首先剖析了现有一些研究方法的思路、原理以及特点。实际上,目前数字语音取证领域很少有研究是针对多种伪造操作检测而展开的,同时针对多种伪造操作的取证算法尚存在不同库交叉实验的检测率不高、算法鲁棒性不强等问题。本学位论文选择了语音变调、低通滤波器、高通滤波器、加噪这四种最为常见的伪造操作展开研究,具体的研究内容主要包括以下三个方面:（一）首先对四种伪造操作的原理进行了剖析。为了进一步对多种伪造操作的数字语音取证工作进行研究,本学位论文根据现有主流的语音编辑处理软件以及语音数据库构建了一个多操作语音取证数据库。我们对TIMIT数据库中的原始语音分别进行四种不同伪造操作的处理,同时为每种伪造操作设置了四个不同的参数,每种伪造参数对应6300个语音样本,构建了共计100800个语音样本的特定TIMIT数据库;同时对UME数据库中的原始语音进行相同的伪造操作处理,每种伪造操作参数对应4040个语音样本,构建了共计64640个语音样本的特定UME数据库。（二）针对现有数字语音取证算法大多都只可检测单一伪造操作的问题,本学位论文提出了一种适用于多种伪造操作的检测算法。首先从时域和频域两个角度,对伪造语音进行差异性分析,研究表明原始语音受不同伪造操作的影响会留下不同程度的伪造痕迹。基于这些差异分析,进一步提出了基于倒谱声学特征的多种伪造操作检测算法。该算法对三种传统声学倒谱特征的提取过程进行研究和剖析,并设计了一个SVM组合多分类模型。实验结果表明,使用LFCC作为分类特征可以更有效地检测伪造语音。在TIMIT和UME数据库的库内实验中检测率保持在95%左右。而在不同数据库的交叉实验中,检测率也都在90%以上。同时为了验证对未知伪造操作的检测能力,我们将该算法与其他检测算法进行了实验比较。实验结果表明,该算法相较于现有检测算法对未知伪造操作的检测性能有明显的提升。（三）针对传统手工特征和SVM组合多分类的检测方法中存在算法复杂度较高的问题,本学位论文提出了两种基于深度学习的多种伪造操作检测算法。在第一种算法中,提出了一个包含七个卷积层组的卷积神经网络,其中特别设计了用于捕捉伪造痕迹的残差滤波器。实验结果表明,该算法在库间实验中检测率能达到96%以上,而在不同库交叉实验中检测性能有所下降,检测率在85%以上。在第二种算法中,提出了一种基于传统声学特征的长短时记忆网络。我们先固定了网络的基本框架,通过对比不同的倒谱特征,初步实验结果表明LFCC能够对四种伪造操作表现出较好的检测性能。再由此特征进一步对比不同层数的网络,确定网络层数为两层的LSTM网络更能够有效地鉴别原始语音和四种伪造语音。实验结果表明,该算法在库间实验中检测率基本在97%以上,而在不同库交叉实验中,检测率也可保持在88%左右。同时为了评估对未知伪造操作的检测能力,我们将这两种检测算法与其他检测算法进行实验比较。实验结果表明,这两种算法都可以有效地检测未知伪造操作。