近年来,得益于通信技术的进步和智能移动终端的普及,在线社交网络得以快速发展,极大地便利了人们的沟通与交流。与此同时,在线社区的匿名特性也使得一些不良行为难以治理,并造成了较为严重的社会影响。一个可行的手段就是通过用户鉴别技术从用户数据中挖掘出真实身份信息,以实现对不良行为的有效治理。然而,由于用户数据形式多样,且可被用户自由编辑,传统的用户鉴别技术面临普适性差、可靠性低等诸多挑战。对此,本文从数字图像来源取证的角度重新审视用户鉴别问题,即利用相机溯源技术分析得到用户所使用的相机,并以相机为锚点挖掘用户间的身份关联,以达到较为普适和可靠的用户鉴别。考虑到现有的相机溯源技术的识别精度和鉴别效率并不能满足在线社交网络场景的需求,本文针对面向用户鉴别场景的相机溯源相关技术展开研究,主要内容包括:（1）提出了一种基于最近邻更新聚类的用户相机个体体特征提取方法。由于用户的图像往往具有多种相机来源,为获取完整的用户相机特征,需首先按照相机来源不同对用户图像进行聚类。但由于特征提取方法所限,从用户图像中所提取的特征精度较差,常规的聚类方法难以获得良好的聚类结果。对此,本章提出了一种基于最近邻更新的聚类算法,以迭代的方式不断地将最近邻样本聚合并更新特征,以克服特征精度不足造成的不良影响。为验证所提出算法的性能,本章利用真实用户图像并仿照用户习惯构建了测试数据集。实验结果表明,所提出的算法能获得良好的图像相机个体聚类结果,并得到良好的用户相机特征,达到了63%的用户鉴别准确率。（2）提出了一种基于稀疏子空间聚类的用户相机个体体特征提取方法。用户图像的相机个体聚类是鉴别用户身份的关键步骤,其性能的优劣决定了用户相机个体特征的质量。然而,从单张图像中所提取的相机特征存在较高的噪声成分,致使特征间相关性存在较多混淆,限制了聚类算法的性能提升。对此,本章将相机个体聚类问题建模为一个稀疏子空间优化模型,通过施加强力约束项来抑制噪声所引起的混淆。为应对因约束过强而导致的不良影响,本章还提出了一种高效的再优化算法,通过快速计算类内/类间相似度比值来合并具有相同相机来源的簇,能以较低的精度损失换取整体聚类性能的提升。在多个数据集上的实验结果表明,该方法能有效地抑制噪声所带来的干扰,实现高性能的相机个体聚类。（3）提出了一种基于双路网络模型的图像相机型号特征提取方法。对用户首先进行相机型号的识别,有助于提高用户鉴别的效率。而分析用户的相机型号,需首先从用户的图像中获取准确的相机型号特征。然而,现有的方法不能充分地利用训练数据信息,致使图像相机型号特征提取模型的泛化性不足,严重制约了图像相机型号识别的精度。对此,本章提出了一种基于双路网络模型的特征提取模型,通过结合现有的两种模型的损失函数,以提高模型的泛化性能。在公开数据集上的结果表明,所提出的双路网络模型能够获得更好的图像的相机型号特征。（4）提出了一种基于稀疏编码优化聚类的用户相机型号特征提取方法。为获取用户所使用的每种相机型号特征,需在提取用户图像的相机型号特征之后,对其进行聚类。然而,由于特征提取模型对于未知相机型号的样本提取的特征存在异常值,使得获取良好的聚类结果较为困难。对此,本章将聚类问题建模为一个稀疏编码优化问题,通过引入整体结构性信息来克服异常值的干扰。在多个数据集上的实验结果表明,所提出的算法能够有效地纠正特征中的异常,并取得精确的相机型号特征聚类结果。