随着科技的进步与发展,数字图像也越来越普及,随之各种功能强大的图像编辑软件也应运而生,诸如Adobe Photoshop、PortraitPro Studio Max、美图秀秀、GIMP和Snapseed等,给人们提供了很多便利,照片持有者对一些人脸数字图像进行编辑和修改也就变得轻而易举。经过编辑和修改后的数字图像可以变得赏心悦目,描绘出的完美的身材和无瑕疵皮肤的人物图像也给人带来视觉上的享受体验。然而,如果数字图像被不怀好意的人篡改后,这个过程则会涉及到欺骗和伪造,也将会对个人隐私、社会稳定和国家政治、经济等各方面带来严重的负面影响。因而,随着恶意对人脸图像篡改事件的频繁发生,对人脸面部图像修饰检测技术的研究也显得尤为重要,基于此问题,再结合深度学习模型本身的诸多优势以及其所占据的核心地位,本文提出了基于深度学习的人脸面部图像修饰检测的方法,主要研究成果如下:(1)通过对深度学习方法中受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)模型结构、训练算法和参数设置等理论知识方面的研究,然后结合人脸面部图像润饰篡改的问题给出具体的算法实现,进而实现了对人脸面部图像修饰的检测研究。受限玻尔兹曼机能对特征进行无监督提取,自动学习图像特征,可以直接使用它作为人脸图像的特征提取器,再结合K近邻(KNN)分类器对获得的人脸图像特征进行分类。在本文采用的三个人脸图像库上做了实验论证,结果表明,在不同的学习率下,RBM结合KNN分类器的方法在人脸面部图像修饰检测中达到了较高的检测率。(2)通过分析深度学习的相关模型和算法,通过研究深度学习中的卷积神经网络(Convolution Neural Networks,CNN)在图像分类识别中的应用,针对RBM训练参数多、训练时间过长等问题,利用卷积神经网络局部感受野和权值共享的特性,提出了两种新的卷积神经网络模型Wang-Net1和Wang-Net2对人脸面部润饰图像进行篡改检测。在本文采用的三个人脸图像库上进行了大量的实验测试工作,实验结果表明,本文所提出的卷积神经网络模型不仅解决了RBM训练参数过多和时间过长等问题,还在很大程度上改善了检测性能,具有较强的鲁棒性和较高的识别率。