随着各种数字媒体记录设备的迅速普及,数字媒体已经逐渐成为一种主流的信息载体,极大地丰富人们的日常生活、学习和工作。但经过篡改的多媒体数据也给人们带来了困扰。图像被动取证技术利用数字图像本身的固有特征对经过编辑处理的数字图像的真实性、完整性进行检测,是信息安全领域的重要研究内容之一。然而传统的数字图像被动取证技术多针对单个篡改操作进行取证,而且取证性能强烈依赖于人工设计的取证特征的好坏,对取证者的专业领域知识有很高的要求。卷积神经网络可以自动地从图像中学习特征并进行识别,降低了对取证者专业领域知识的依赖。本文将围绕基于卷积神经网络的图像篡改操作顺序取证展开研究,主要研究成果如下:(1)设计了一个通用的基于卷积神经网络的图像篡改操作顺序取证框架,用于篡改操作链的顺序取证。该取证框架包含两个子分支,空域卷积流从图像的空域提取可视篡改特征,变换特征提取流则通过精心设计的预处理从图像的变换域提取残差特征,并对提取到的两类特征进行跨通道融合以及分类。对于难以检测的低强度操作链篡改的顺序取证,考虑不同强度下的同一篡改操作痕迹之间存在的共性,我们采用迁移学习策略进行微调训练,以提升低强度篡改操作链的顺序取证检测性能。实验结果表明所提出的基于卷积神经网络的顺序取证框架以及迁移学习策略可以明显提高操作链的顺序取证性能。(2)针对JPEG图像的双操作顺序取证,考虑到JPEG压缩中的量化操作对图像质量的影响,我们采用基于DCTR的处理将空域特征映射至DCT域,实现对JPEG格式图像的篡改顺序检测。此外,当图像经历的篡改操作的强度未知时,我们通过构建由多种篡改参数组合生成的篡改图像集,来提取不同强度下的同一篡改操作的共有痕迹,实现操作链篡改参数未知的顺序取证。实验结果表明,基于DCTR的预处理可以有效地提升篡改JPEG图像的顺序检测性能,而通过混合参数篡改图像集训练的网络模型也具有很强的鲁棒性。