Deepfake是一种基于深度学习的人脸图像操纵技术。如今Deepfake视频人们已经很难通过肉眼区别出真伪。虽然该项技术带来了很多积极的应用,但是这些篡改的视频会给我们的社会带来巨大的潜在威胁,例如被用来制作假新闻和色情视频。因此,现在我们亟需找到一种可以有效识别深度伪造视频的方法。目前常见的Deepfake视频检测方法是基于图像每一帧的空间特征信息,它们并没有有效地利用视频的时空特征信息。Deepfake检测模型依赖于选定的数据集,对于不同类型的篡改视频,跨数据集检测真伪的泛化性能较差。针对上述问题,本文采用了基于3D CNNS和Efficient Net-LSTM的方法进行深度伪造视频篡改检测。相比于传统方法,这两种方法可以有效提取Deepfake视频的时域特征和空域特征的不一致的特点。第一,三维卷积的方法关注的对象为一整段视频,不再是单帧的图像,可以同时提取视频的两种特征。第二,Efficient Net-LSTM方法是将Efficient Net和LSTM这两种独立的模型进行了结合。首先用Efficient Net网络进行每一帧人脸图像空间特征的提取,再将每一帧的人脸图像特征送入到LSTM中进行人脸时序特征的学习,最后通过全连接神经网络给出最终的预测结果。本文在DFDC和Celeb-DF这两个数据集上使用I3D、MC3、3D RESNET-34、R（2+1）D四个三维卷积模型和EfficientLSTM模型分别进行单数据集和跨数据集实验,并且与之前的主流算法进行了对比。通过实验可以表明:（1）基于I3D模型的3D CNNS方法在Deepfake检测挑战数据集和Celeb-DF数据集上具有较高的准确率和较强的鲁棒性,准确率可达96%以上,AUC值可达0.92,均优于现有模型,证明了模型的有效性。（2）基于3D CNNS的方法泛化性能均优于其他现有模型。（3）Efficient Net-LSTM和3D CNNS方法都是聚焦于时空特征,在泛化性能方面3D CNNS的方法更强。相比于LSTM方法,基于3D CNNS的方法可以更有效地提取时空特征。时空特征可以捕获到Deepfake方法之间的共有属性,三维卷积网络的方法在Deepfake检测中解决了泛化性差的问题。