数字音频作为日常生活中常见的数字媒介载体,在法庭案件中,常被作为证据提供给法院。因此,对数字音频来源性、真实性、完整性的验证至关重要。鉴别音频的录制设备来源真伪作为数字音频取证技术关注的热点问题之一,已经取得一定的成果。然而,其研究对象几乎为安静环境下录制的语音,很少考虑噪声环境下的情况。由于在噪声环境下对录音设备来源进行辨识更具有现实意义并且手机已经成为目前主流的录音设备,所以本文研究了加性噪声下手机来源识别方法,主要从如下四个方面开展了研究工作:1.针对数据库的构建,录制了涉及7个品牌24款不同型号的手机的干净语音数据库和含噪语音数据库,即CKC-SD、TIMIT-RD干净语音数据库,CKC-SD、TIMIT-RD含噪语音数据库。基于构建的数据库,检测现有两种性能优异的来源识别算法的噪声鲁棒性,实验结果说明,尽管目前识别算法对干净语音有着很好的识别性能,但噪声鲁棒性差,不能推广至噪声环境。2.研究不同手机录制的语音的语谱图,具体分析了不同品牌手机录制的语音被嵌入的设备差异信息以及相同品牌不同型号手机录制的语音被嵌入的设备差异信息。此外,还通过研究环境噪声对设备差异的影响、去噪处理对设备差异的影响等问题,为本论文后续工作奠定了研究基础。3.根据不同设备在频域上的差异,发现手机录音设备的识别关键在于对同品牌不同型号手机设备的区分,因此本文提出了一种基于常Q变换和多场景噪声训练的手机来源识别算法。实验结果表明,本算法保持对不同品牌手机的区分性能的同时,也提升了同品牌内手机的识别率,在CKC-SD和TIMIT-RD数据库上,对干净语音的平均识别准确率分别为97.08%、99.29%,对含噪语音的平均识别率超过90%,极大的提升了算法对含噪语音的识别能力。4.通过分析不同设备差异信息在不同频域上的差别,提出来一种基于融合特征和卷积神经网络的手机来源识别算法。实验结果表明,本算法将使用不同时频变换方式提取得到的短时傅里叶变换的频谱分布特征,梅尔频率倒谱系数特征和常Q变换的频谱分布特征这三个特征串联构成的融合特征作为设备区分性特征,在CKC-SD和TIMIT-RD含噪数据库上的识别率分别为94.06%、92.44%。此外还通过设备差异特点和大量实验来探究适用于录音设备来源取证领域的卷积神经网络的输入层输入选择和框架设计的一些原则。