在二十一世纪,我们已经步入了一个信息化时代,图像作为人们日常获取外界信息最直观的媒介之一,它在我们的生活与生活当中起着举足轻重的作用,随着数字图像的处理的技术不断地的进步,各种图像编辑软件功能不断地丰富与强大,这就使得图像篡改与伪造技术变得更加的容易,普通用户就可以很熟练的去运用这些图像编辑软件去篡改与伪造一些图像,以达到让人无法查觉的地步。长期以来,一些伪造的图像应用于新闻媒体、医学、军事、科学研究、和法律诉讼等领域,这就对与图像的信息安全带来了巨大的考验与挑战,这会对人们的生活乃至社会带来一定的负面影响。因此对于图像的伪造检测已经成为了信息安全领域一个重要的研究方向,数字图像伪造检测主要是通过将伪造的图像与原始图像分开来确定数字图像的真实性。随着信息技术发展,数字图像伪造的技术和手段在不停的改进,面对技术进步带来的各种伪造手段,研究者都要积极的采取解决方案去应对,因此对于伪造数字图像检测就变成了一个刻不容缓的研究课题。本文主要针对基于深度学习生成彩色伪造图像的技术,提出了两种有效的针对于该伪造技术的检测算法,主要的研究工作如下:(1)构造伪造图像的数据集,本文主要是通过去复现有的基于深度学习的方法来构建伪造图像数据集,该方法通过一个设计好的深度卷积神经网络端到端的去生成彩色伪造图像,该方法在训练的时候加入了类平衡来增加结果中颜色的多样性,实现了对灰度图像全自动地进行上色。生成的伪造图像效果十分逼真,可以达到以假乱真的效果。(2)提出了一种基于高斯混合分布相似度测量的彩色伪造图像检测算法,首先提取训练集低层特征来拟合高斯混合分布,求解高斯混合分布参数,然后提取每张测试集图像特征并且以求解得到的参数为先验,通过EM-adaptation算法重新拟合高斯混合分布,通过蒙特卡洛采样的方法来对两个高斯混合分布进行相似度测量,来进行伪造图像真伪鉴别。(3)提出了另外一种通过VLAD的方式对自然图像和伪造图像训练集特定的低层特征进行编码,然后用编码后的特征作为SVM的输入,去训练SVM分类器,最后对图像真伪进行检测方法。