随着语音技术的飞速发展,深度语音伪造变得越来越方便,这项技术也从高门槛逐渐走向大众,让充满创意的深度伪造语音变成大众娱乐。但在深度伪造语音方便大众的同时也混淆着大众视听,基于深度学习的语音伪造技术让听起来真实的消息不再真实,使得重要的视听消息变得难以让人相信,影响了大众生活,甚至造成财产损失和威胁生命安全,因此,深度伪造语音的检测变得尤为重要。首先,提出加强小波包能量谱,并融合语音特征提取的多种方法来改进深度伪造语音检测拟态架构。在深度伪造语音的检测过程中加入改进拟态防御构造,通过加强小波包变换等多个方法对语音提取多个特征后,对特征数量进行随机选择生成子特征数据集,并通过GRU模型、SVM模型和差分Transformer模型进行预训练,筛选出具有较好效果的预训练模型,此外,利用非相似余度构造,使用预训练的GRU模型、SVM模型和差分Transformer模型进行异构冗余体的构造,通过随机选择确定最终执行模型。基于改进拟态防御的深度语音检测方法提高了系统的安全性,能既高效又安全地进行伪造语音检测。其次,提出基于差分Transformer编码器的深度伪造语音检测方法,提高了系统对于深度伪造语音的最佳检测效果。由于特征中的低频、中频和高频有明显差异,通过差分运算可以将不平稳的特征信息转化为平稳的信息,从而获取语音信号的动态特征。实验结果表明,通过基于差分Transformer编码器的深度伪造语音检测方法可以有效捕获音频信号的动态差异特征,提升对深度伪造语音的检测效果,有效提升改进拟态架构系统的最佳检测性能。综上所述,本文提出的基于改进拟态防御的深度伪造语音检测方法是一种既高效又安全的检测方法。通过对输入的语音小波包能量谱特征进行加强并和梅尔倒谱系数（MFCC）等方法共同提取语音特征,并输入到基于差分Transformer模型、GRU模型和SVM模型的冗余异构模型结构中。经过多组实验的对比,实验结果表明,基于改进拟态防御的深度伪造语音检测的效果明显优于传统的特征提取方法和传统模型,且安全性有更好的提升,可有效防止生成对抗网络攻击。