视频篡改技术随着深度学习的发展变得日新月异。近年来出现的Deepfake视频换脸技术,利用深度学习网络将原视频人脸替换成目标人脸,同时保留原视频的场景与人物表情,以达到身份替换的目的。该技术使用门槛低,生成视频效果逼真,若被恶意使用将对个人肖像权和社会舆论造成严重不良影响。因此,针对Deepfake视频检测的研究具有重要意义。目前,大部分Deepfake视频检测算法具有较高的库内检测准确度,但是当测试集与训练集所属的数据库不同时,检测性能明显下降,跨库泛化能力仍待提升。针对此研究现状,本文根据Deepfake视频的空域和频域特性,采用深度学习网络进行检测,具有一定的理论意义和应用价值,具体工作如下所示:1、通过实验对Deepfake视频真实样本和换脸样本的空域RGB图像、离散余弦变换（Discrete Cosine Transform,DCT）频谱以及非下采样轮廓波变换（Nonsubsampled Contourlet Transform,NSCT）子带图进行对比分析,发现真实样本与换脸样本之间存在明显的空域特征差异与中高频域特征差异,以此作为出发点,提出两种换脸视频检测算法的设计思路。2、提出一种基于多域特征区域标准分数差异的Deepfake视频检测算法。该算法采用双支路模型分别对空域RGB图像和频域NSCT变换融合子带进行特征提取,利用纹理特征提取模块增强空域支路对于细节纹理特征的学习。然后计算特征在不同区域内的标准分数,通过Conv LSTM进行时空域分析,从而实现异常特征判别并生成篡改区域预测图。最后采用多任务学习的方法,对二分类预测结果和篡改区域预测图进行监督学习。实验结果表明,该算法在库内具有良好的库内检测性能,并且跨库检测性能稳定。3、提出一种基于多域块特征标志点配准的Deepfake视频检测算法。该算法通过双支路模型分别对空域RGB图像和频域DCT频谱进行特征提取,采用自适应滤波器模块提取频域支路的中高频域特征,并利用注意力机制优化特征学习。然后根据人脸标志点提取局部块特征和关键块特征,通过计算块特征之间的相似度捕捉异常特征。最后采用多任务学习的方法,对二分类预测结果、相似度矩阵和边缘梯度预测图进行监督学习。实验结果表明,该算法的库内检测准确度较高,并且在跨库测试中呈现良好的泛化能力。