随着数码相机、手机等成像设备的快速发展,数字图像已经成为传递信息的重要载体。然而伴随着图像编辑软件功能性和易用性的增强,篡改者可以轻松制作篡改图像,给司法取证、商业宣传、荣誉保护、新闻甄别等领域带来巨大担忧,因此篡改图像的取证研究具有非常重要的现实意义和应用价值。本文研究的是常见的篡改操作之一的拼接篡改。现阶段关于拼接篡改检测的研究方法主要分为基于手工提取特征的传统检测方法和基于深度学习的检测方法。传统的检测方法因为其提取的特征的局限性,鲁棒性较差。而基于深度学习的检测方法凭借其强大的特征提取能力,能够实现端到端的包括拼接篡改的多种篡改手段的检测。针对基于深度学习的拼接篡改定位问题,本文开展了两个方面的研究。（1）提出了一种改进型的Unet算法模型DAUnet。针对Unet网络实现图像篡改区域定位性能不足的缺陷,我们做了两点改进,第一,对于Unet采样环节中特征提取能力不足的问题,将Unet的采样环节中融入了 DenseNet中的DenseBlock,增强了特征重用和特征提取能力;第二,对于不同形状大小的篡改区域的定位分割不精确的问题,我们加入了空洞空间卷积池化金字塔（Atrous Spatial Pyramid Pooling,ASPP）,以使得在增大感受野的同时可以捕获多尺度信息,提高定位精度。最终得到基于DenseNet,ASPP的改进Unet模型DAUnet。实验表明,DAUnet在合成数据集、Columbia、CASIA1、CASIA2的评价指标均优于对比算法。（2）在DAUnet基础上,提出了一种融入注意力机制的改进的多任务学习算法模型AttDAUnet。首先,借助空域富模型（Spatial Rich Model,SRM）滤波器对图像进行滤波,放大篡改图像的痕迹;接着在每个解码器层上引入一个全局注意力上采样模块,提供全局上下文作为低层信息的指导,来提高低级语义信息中重要信息的敏感度,避免冗杂无用的低级语义信息干扰解码操作;然后引入了多任务学习的方法,使得网络有定位篡改区域和边缘两个输出任务,通过底部参数共享层,把两个任务的数据信息嵌入到同一个语义空间中,使它们在特征提取过程中保持共享、共同训练、相互补充,有效降低网络过拟合的风险,最终提高模型的性能。实验结果表明,最终得到的AttDAUnet的多任务学习的算法模型,在CASIA2和CASIA1数据集上做了充分的消融实验,展示了算法改进的有效性;在CASIA1上面对不同程度的图像压缩和模糊等鲁棒性测试的实验中,展现了算法良好的鲁棒性。