随着互联网技术的高速发展与智能手机的普及,给人们的生活带来巨大的变化,可以说互联网和智能手机真正做到将每一个人相互连接起来,以此为契机网络视频得到前所未有的快速发展。然而人们在享受网络视频带来轻松、愉快的同时,有不法分子通过对网络视频进行恶意篡改,使得原本寓意正常的视频在被篡改后,成为严重误导观众主观认知的篡改视频,一些传播广泛的篡改视频甚至产生不正确的舆论导向并造成严重的社会影响。为降低篡改视频所带来的危害,有效监测原始视频的真实性与完整性,基于视频的取证研究算法应运而生。视频取证指主要用于检测视频的相关技术,其主要包含主动取证与被动取证两大类,其中被动取证技术无需额外向视频添加额外信息,仅根据视频自身所包含的信息即可对视频的真实性与完整性进行判定,因此被动取证算法的应用领域更为广泛。视频被动取证又可以分为帧间取证与帧内取证两种:帧内取证是针对单帧的帧内容进行特征提取,根据提取的特征是否包含篡改信息来判断视频是否经过帧内篡改。帧间取证则是观察并比较帧与帧之间的关联性是否异常,来判断视频是否存在帧间篡改。本论文针对视频帧内取证算法和帧间取证算法进行深入研究,提出两个视频被动取证算法,并通过实验结果验证两个被动取证算法的正确性和有效性。在完成视频被动取证算法的研究基础上,本论文实现一个基于视频的被动取证系统,该系统可实现对本地视频文件进行读取,并对视频进行解码操作得到一系列的视频帧序列,对视频帧序列进行逐帧取证,并将取证结果以取证统计图的可视化形式展现出来。针对视频取证模块,本系统提出并实现了两个算法:（1）一个是基于局部二值模式（Local Binary Patterns,LBP）的帧间取证算法,该算法首先将输入帧图像转化为LBP图像,以更好地突出帧图像的纹理信息,然后在帧序列中取出相邻帧的LBP图像进行比较,得到相邻帧之间的关联信息序列,最后再将相邻的关联信息进行处理得到关联信息波动统计序列,最后通过观察波动统计序列中是否包含较大的波动,若存在即证明输入视频为帧间篡改视频,产生大波动的位置即为篡改位置。（2）另一个是基于双流CNN（Convolutional Neural Networks）的帧内取证深度学习算法。该算法提出同时使用两个CNN对输入帧图像进行帧内取证,其中一个CNN使用隐写分析的思想,取证前使用空域富模型对输入帧图像进行噪声残差提取,以更好地提取输入帧图像的篡改特征,另一个CNN则对输入帧图像直接进行提取,可以更好地使CNN关注到帧图像内容因篡改而产生的大幅变化。最后结合两个CNN的输出特征图结果作为二分类的根据,这样使得整个取证算法兼顾到了输入帧图像的篡改特征与内容特征。本系统包含的两个视频被动取证算法,在不往视频添加额外信息的前提下,可有效地对数字视频的完整性和真实性进行保护。