数字视频作为一种信息载体被广泛的应用在各个领域,已经成为人们生活中不可缺少的一部分。但是,随着数字视频编辑技术的不断发展,数字视频的完整性和原始性遭到巨大的威胁。在各种视频篡改技术中,帧删除作为一种最基础的编辑技术被广泛应用于视频篡改。因此,研究视频删帧篡改取证技术具有非常重大的意义。近几年,基于深度学习的方法在图像篡改检测、深度伪造检测等问题上取得了巨大的成功。因此,本文针对视频删帧篡改和深度学习进行研究,提出了三种基于深度学习的视频删帧篡改取证算法:（1）针对视频删帧取证高质量训练数据集缺乏的问题,提出了一种基于深度特征的方法检测视频帧删除伪造。该方法首先使用在Image Net数据集上预训练的Alex Net的深度特征计算视频相邻帧之间的畸变水平。然后,使用提出的一种基于局部平均畸变水平的特征增强方法消除视频内容的波动,得到相对畸变水平。最后,使用广义ESD测试来检测视频中的帧删除点。实验结果表明,该方法不需要利用删帧取证数据集进行训练并且性能优于现有的手工提取特征的方法。（2）针对提出的基于深度特征的方法性能欠佳的问题,提出了一种基于视频块一致性的视频篡改检测算法。该算法首先按照一定的比例以空间域为轴将视频划分为固定数量的视频块,其中每个视频块都是具有相同类别属性（伪造的或者真实的）的视频。然后,使用基于深度特征的检测算法从每个视频块中得到相对畸变水平,使用平均法对每个视频块的相对畸变水平进行融合。最后使用广义ESD测试对融合后的相对畸变水平序列进行异常检测,从而识别并定位视频中的删帧点。实验结果表明,该方法能够有效提高视频篡改检测算法的检测性能。（3）为了应对视频内容中强信号特征的消极影响,提出了一种基于深度学习的单镜头视频帧删除检测方法。提出的方法分别从视频的相邻帧和长期连续帧中捕获帧删除伪造的痕迹。该方法是一种简单、有效的帧删除伪造检测框架,计算量小,性能优越。具体来说,首先提出了一种新颖的多尺度差分卷积神经网络（MSDCNN）结构,该结构可以对不同尺度的帧间变化进行建模。然后,使用长短期记忆网络（LSTM）来捕捉多尺度差分特征的长期变化模式。根据实验可知,本章所提出的框架可以实现比传统方法和基于3D卷积的方法更先进的帧删除检测性能。