数字音频数据易于保存、编辑和传播的优点给日常生活带来诸多便利和乐趣,但是同时让一些不法分子有机可乘,他们可以对数字音频进行恶意地篡改并进行广泛传播,且仅凭感官难以察觉出来。若将这样的音频文件应用在法庭录音举证、虚假新闻传播等场合下,可能会损害法律公正和社会信任秩序。因此,验证数字音频的真实性和完整性的数字音频篡改被动检测研究显得尤为重要。本文是对数字音频篡改被动检测关键技术的研究,通过分析数字音频篡改被动检测技术要解决的问题和任务,进行三个方面内容的研究:1)基于先验信息的数字音频篡改检测,2)无先验信息的数字音频篡改检测,3)数字音频的篡改点定位。从下面几个层面切入,在特征层面,结合音频信号自身的属性,分析不同的篡改特征的检测效果,通过特征融合技术获取最优的特征表达。在模型层面,尝试借鉴相关领域的研究成果,建立语音信号特征模型,构建语音信号与模型之间的映射关系,实现无先验信息的盲篡改检测。在实现系统层面,分析传统算法不足,降低算法复杂度,提高自动化程度,实现自动化与多层次的数字音频被动篡改检测分析系统。本文主要工作如下:（1）针对已知可能的篡改类型,判断待测信号是否存在这种篡改的情况,进行基于先验信息的数字音频篡改检测研究。首先本文提出基于电网频率波动一致性的数字音频篡改自动检测方法,基于ENF相位和频率波动的稳定性,应用DFT0方法和Hilbert变换分别估计ENF成分的相位和瞬时频率,并构建统计特征,应用优化的SVM算法对待测信号真伪进行分类决策,分类准确度达到92.2%。其次,在前一算法的基础上,为了充分挖掘ENF的波动特征,提出基于特征融合的深度学习自动分类方法,使用谱线拟合特征能够更好表征ENF的局部突变情况,基于并行策略特征融合方法DCA减少特征维数后,应用深度随机森林进行分类决策,分类准确度达到95.2%。相比传统算法,所提算法的鲁棒性、泛化性能均得到提高,且实现了篡改判定的自动化。（2）针对盲篡改检测,即没有任何先验信息的仅根据音频本身的特点来判断待测信号是否遭到某种形式的篡改或处理的情况,进行无先验信息的数字音频篡改检测研究。首先,本文提出基于ENF-UBM的数字音频篡改检测方法,建立通用背景模型模拟原始语音特征的分布,再用少量的目标数据库信号进行自适应,设定评分函数量化待测信号与目标模型的匹配度,基于ROC曲线寻找最佳阈值,以此区分待测信号的真伪,其等错误率降到10%左右。其次,为了优化决策依据,消除其中经验性阈值设定,提出基于电网频率波动超矢量的数字音频盲篡改检测方法,为每个待测信号自适应目标模型,通过理论分析将模型映射成特征超矢量,以特征超矢量的分类结果做为决策依据,实现方案的自动化,分类精度达到86%。该方法取得了检测精度与检测过程自动化的平衡,但相较于传统的启发式算法,其更具有更好的鲁棒性。（3）针对篡改信号的篡改区域定位困难的问题,进行数字音频篡改点定位研究。本文将篡改点的位置分为两种情况。篡改点位于静音段时,本文将传统BIC方法改进为采用迭代的方式对篡改点存在与否进行模式化分析,首先是粗判断得到可疑点截断窗,对截断窗的BIC值序列进行曲线拟合,将拟合参数进行分类,判断为存在篡改点的阶段窗再进一步确定篡改点的位置。本方案在减小计算量的同时实现了篡改点的精确定位,分类精度达到99.7%。针对篡改点相距较近的情况,应用更加复杂的特征选择模型即GMM-BIC进行特征建模,使之能够更加准确地模拟短时语音的特征分布,同样的操作方式下分类精度达到90%。篡改点位于语音段时,借鉴语音识别和数字图像取证等相关研究领域的成果,结合数字音频信号自身的特性,将音节片段转换为音节语谱图,量化音节之间的相似度,制定决策依据,判断篡改信号中是否存在两个相似的音节,相比其他音节描述特征方法,本文方法具有相对较少的计算量和较好的鲁棒性。（4）根据数字音频篡改被动检测任务需求和检测流程,进行数字音频被动取证系统的研发,证明本文所提算法的有效性,实现自动化与多层次的数字音频篡改被动检测分析系统。本研究引入图像取证、机器学习、特征融合等相关研究理论,改善了传统检测方法成效,完善了数字音频篡改被动检测的理论研究,可以应用在司法取证、知识发现、版权保护等众多需要验证数字音频真实性和完整性的场合。