近年来,得益于计算机硬件和深度学习的不断发展,以深度伪造（Deepfake）为代表的人脸操纵视频在抖音和You Tube等视频分享网站大肆传播。大量欺骗性极强的换脸视频对个人隐私、社会稳定和国家安全构成巨大的潜在威胁,如何验证视频或者图像的真实性逐渐成为数字社会最重要的话题之一。鉴于现有基于深度学习的检测方法可解释性不足,检测模型在面对压缩攻击时鲁棒性不强等问题,本文从提高可解释性和鲁棒性两个方向出发对深度伪造视频检测方法进行深入研究。针对大多数基于深度学习的检测方法可解释性不足的问题,本文提出了一种基于多色彩通道面部纹理差异的深度伪造视频检测方法。首先,观察到深度伪造视频与真实视频相比人脸区域更为光滑,然后分析真伪人脸图像在各颜色通道之间的统计差异。本文提出纹理映射对原始人脸图像进行预处理,用以加大真伪图像间的差异性。基于绝大部分深度伪造视频中的人脸区域普遍更为光滑的事实,使用纹理映射方法以加大真伪视频间的纹理差异;然后使用共生矩阵提取图像纹理特征后将各颜色通道的纹理特征级联;最后以级联特征为输入、SVM为分类器构建深度伪造视频检测模型。该方法在Face Forensics++数据集上的视频级AUC值高达0.996,在Celeb-DF上AUC达0.718。与大多数基于深度学习的检测方法相比,本方法检测性能相当但更具解释性;而与基于手工提取特征的检测方法相比,本方法检测性能更好。考虑到大多数检测方法在面对压缩攻击时检测器性能下降的问题,本文提出了一种基于多色彩通道的双流网络深度伪造视频检测方法。本方法由两个相同的分支网络实现,各分支网络将卷积注意力模块融入到Xception网络中,实现对视频中的人脸异常特征的自适应捕获,继而让网络充分学习假脸异常区域的图像特征信息。首先将RGB图像转为YCb Cr图像,然后各分支网络分别学习RGB和YCb Cr人脸图像深度特征,最后对两个分支网络进行决策融合。与基于多色彩通道面部纹理差异的方法相比,该方法在Celeb-DF数据集上视频级AUC提升20.3%。更重要的是,即使视频遭受压缩攻击,检测器的准确率仍高达0.89以上。