随着数字媒体技术的发展,数字图像逐渐成为人们日常工作和生活中不可或缺的一部分,同时衍生了众多功能强大的图像处理软件,使人们可以轻易地完成图像修改。然而,在满足人们审美需求的同时,这类软件的发展也带来了不可忽视的弊端。篡改图像的非法使用对公共事业的公信力造成了严重损害,尤其是在军事、政治等相关领域的真实图像被篡改甚至可能因此引发不必要的军事冲突和政治风波,这些虚假图像的出现导致了人们对如今图像内容的真实性和信息完整性存在诸多质疑。因此,研究出一种能够对图像的真伪进行有效鉴定的方法具有重要意义。数字图像篡改取证研究是近年来信息安全相关领域的热门话题,而图像拼接作为最常见的数字图像篡改及伪造的形式之一,对其进行篡改检测是图像篡改取证研究中的重要内容。研究表明,受光照、噪声等其他属性的多重影响,传统图像拼接篡改检测方法难以达到较为理想的效果。鉴于深度学习在计算机视觉领域已经取得令人瞩目的创新性成果,本文在现有图像拼接篡改检测技术的基础上,对如何利用深度学习实现图像拼接篡改检测和定位进行了研究。本文主要工作为:1.为有效提高图像拼接篡改检测的准确率,并同时实现拼接篡改区域的定位,设计了一种基于注意力机制的图像拼接篡改检测模型。该模型主要由两部分组成,一是结合注意力机制对卷积神经网络进行改进,帮助模型聚焦图像的一些局部信息,提取有效的篡改特征,从而达到更好的检测效果。二是使用对抗性互补学习（Acol）方法和梯度类激活映射图（Grad-CAM）方法定位出图像中的篡改区域,以热力图的形式映射到篡改图上,增强定位结果的可解释性。综合分析和对比实验数据发现,在测试集上,该模型取得较高准确率,同时具有一定的泛化能力。2.为进一步改善图像拼接篡改检测的篡改区域定位效果,提出了一种基于双通道空洞卷积的图像拼接篡改检测和定位模型。在该模型中,噪声通道主要通过一组高通滤波器来提取各种图像噪声特征,进而根据噪声特征的一致性区分出真实图像区域及篡改区域;RGB通道将空洞卷积与注意力机制相结合提取RBG图像特征,更好地定位篡改区域。然后再通过双线性池化融合两个通道提取到的特征,最后用融合后的特征来完成篡改分类和边界框回归,从而实现篡改区域定位。实验结果表明,所提方法与现有的篡改区域定位算法相比,取得了更好的定位效果。