随着计算机图像处理技术的发展,数字图像取证问题受到了特别关注。为了对自然图像与计算机生成图像进行来源取证,研究者们提出了许多方法用于鉴别自然图像和计算机生成图像。已有的方法中常用图像纹理特征作为取证依据,然而已有的方法描述彩色图像全局纹理特征的能力不足。另外,卷积神经网络因其在图像识别方面的优异表现而在数字图像取证领域得到应用,相较于传统的图像来源取证方法具有计算简单、可自动学习等优势。针对如何对自然图像与计算机生成图像来源取证问题,本文在对已有的方法进行研究探讨的基础上,提出了两种不同的数字图像来源取证方法。本文具体研究成果可分为如下三个部分:1)对传统的基于特征提取和分类的图像来源取证方法以及基于深度学习的图像来源取证方法进行了介绍和综述,特别关注基于纹理特征和卷积神经网络的数字图像来源取证方法。相关知识为后续章节的研究提供了理论基础。2)提出了一种基于多颜色空间LBP特征的自然图像与计算机生成图像的来源取证方法。该方法利用从彩色图像宏观层面和微观层面的纹理信息以及跨颜色空间的纹理信息,能有效地鉴别自然图像和计算机生成图像,并且对缩放、JPEG压缩、旋转和附加高斯白噪声的后处理具有较强的鲁棒性。3)提出了一种基于Inception-v3卷积神经网络结构和迁移学习技术的自然图像和计算机生成图像的来源取证方法。该方法克服了传统的基于特征提取取证方法的不足,具有自动学习和提取特征的能力。通过迁移学习,还可以选择合适的分类器以提高该方法的鉴别能力。本文的相关理论研究和实验结果表明所提出的两类方法具有较高的识别准确率和较高的鲁棒性,为自然图像与计算机生成图像的来源取证提供了新的有效手段。