近年来,基于深度学习的伪造视觉内容对网络空间安全造成了极大危害,攻击者利用伪造的虚假图像/视频敲诈勒索、混淆视听,严重威胁着认知安全、司法正义、甚至国家安全。针对深度伪造视频的检测技术成为一个日益迫切的需求,其中威胁性最大的是面向人像的深度伪造（如伪造名人发表敏感言论、做敏感行为）,也是本文的研究重点。虽然现有检测模型在标准数据集上表现良好,但仍存在两个问题。一方面,现有检测模型大多直接采用语义分类任务的标准结构（如XceptionNet/ResNet）,缺乏针对伪造检测任务的模型结构设计;另一方面,现有方法和数据集侧重针对已有视频的编辑篡改（例如换脸、属性篡改,这种伪造方式会导致固有的伪造痕迹而易于检测）,而忽略了不依赖已有视频的全局生成方式（例如直接生成人物发表某言论、做某行为的视频）。针对上述问题,本文展开了两个方面的研究工作。首先,本文探索了高质量的视频内容生成。与基于已有视频进行局部编辑篡改的伪造方式相比,全局视频生成是一种更为新兴的深度伪造方式,是对现有检测研究的一种潜在攻击手段。由于目前的伪造检测主要针对已有视频进行编辑的伪造方法,在这一方面存在空缺。本文主要解决视频生成中的人物动作序列生成的难点。通过将人物动作分成两个互补的部分:姿势模式、节奏性动作,本文提出了一种基于模式解耦的全身动作生成算法。该模型包含一个双流生成模型,一个是负责主体姿势的姿势模式分支,另一个是负责节奏性动作的节奏运动分支。姿势模式分支以输入语义为引导,在条件变分网络的隐空间中进行随机采样来生成高度多样的姿势模式,节奏运动分支根据语音韵律、语调,生成对应的节奏运动。在两个标准数据集上与多个现有工作的对比实验证明,该方法可以生成多样、真实的全身动作序列。通过融合现有视频生成技术,本文进一步提出一种端到端全身视频生成方法。相比传统基于视频编辑/篡改的方法,该方法可以端到端地生成目标人物的视频,而不需要依赖已经存在的视频。其次,在上述工作基础上,本文进一步研究了专用于伪造视频检测的模型设计,探索适用于鉴伪任务的神经网络设计准则,提出了针对局部视频编辑、全局视频生成等深度伪造的高效检测模型。通过快速网络结构搜索,以及对优秀检测性能模型结构的画像,本文研究构建伪造检测模型的基本要素。具体来说,基于One-Shot NAS技术对大量模型结构的检测性能进行采样,对比不同结构模式对检测性能的影响。主要的发现包括:1)模型的浅层结构更重要,应当分配更多的计算资源与参数量;2)具备捕捉大范围关联特征的能力（例如大尺度的卷积核、较宽的连接模式）可以有效提升检测性能。基于这些结论,本文提出了一个专用于深度伪造检测任务的模型结构空间（DSS）。与现有模型相比,本文提出的模型结构（DSS-Net）可以在节约超过75%参数量的同时达到相同或更好的检测性能,在针对局部内容篡改和全身视频生成的伪造检测上均优于现有的检测模型。综上所述,本文针对互为攻防关系的深度视频内容生成与检测技术进行了深入研究。一方面探索新兴的视频生成技术极限,发掘其技术特点与造假潜力;另一方面提出专用于视频鉴伪任务的检测模型。本文的研究成果填补了现有检测研究在模型结构设计、应对新兴视频生成的两方面研究缺陷,为更好地检测伪造视频提供了新的见解。