随着计算机图形学和人工智能的快速发展，人们能轻松地生成和编辑人脸图像，且其视觉质量足以以假乱真。先进的人脸图像生成和篡改技术在给人们的生活带来乐趣和便利的同时，也给人脸图像取证带来了巨大的挑战。人脸图像携带了个人的身份信息，一旦被恶意加工和使用，将可能产生严重的社会信任危机。因此，人脸图像取证逐成为图像取证领域的一个热点问题。
　　常见的人脸图像攻击方式主要有两种：一种是生成人脸图像，即借助对抗生成网络(GAN)等技术生成自然界不存在的人脸图像；另一种是篡改自然成像的人脸图像，包括人脸交换、润色和表情迁移等。本文研究人脸图像的通用取证，并且提出相应的取证算法，致力于解决两个主要的目标：第一、可靠地同时检测由多种技术生成或者篡改的人脸图像；第二、检测未知技术生成的人脸图像。论文的主要工作和创新点归纳如下：
　　首先，针对现有的人脸图像取证方法通常只适用于单一的人脸篡改技术的问题，提出一种可检测多种人脸图像操纵技术生成或者篡改的人脸图像方法。实际上，不同的图像操纵技术，会给人脸图像留下不尽相同的取证痕迹，传统的手工设计特征的方式不适合人脸图像通用取证。本文设计了一个轻量级的卷积神经网络(CNN)，采用深度可分离卷积，1×1卷积残差结构，批归一化等多层组成的网络结构，自动地学习取证特征并实现多种类型的分类。相对于现有的方法，该方法网络结构简单，收敛速度快，能同时检测多种人脸图像操纵技术得到的人脸图像，并且对于多种后处理攻击也具有一定的鲁棒性。
　　其次，考虑到人脸图像篡改技术本身在迅猛发展过程中，提出一种能够检测未知人脸篡改操作的通用人脸图像取证方法。通常，深度神经网络模型只能检测与其训练所用的数据集同类型的人脸图像。本文以EfficientNet模型为基础，在CNN结构之前设计了一个包含三个滤波核的固定权重的卷积层，以抑制图像的语义内容和放大图像的微观特征，从而提高深度神经网络的泛化能力。实验结果表明，该方法能够有效地提高取证模型的通用性，检测未知人脸操纵技术得到的人脸图像。