在数字信息化时代,图像处理技术的迅猛发展,图像编辑软件的精益求精,网络中经过图像处理软件编辑篡改后的图片随处可见,当篡改图片用于军事,政治等敏感领域来达到非法目的时,其危害可以牵涉到整个国家甚至整个世界。可见验证图像的真实性具有重要意义。然而在图像编辑处理中,中值滤波作为一种平滑滤波,具有良好的边缘保持与非线性,图像篡改者通过对图像进行中值滤波来掩盖图像篡改痕迹,使得中值滤波广泛用于信息隐藏和反取证技术。为了揭示数字图像的处理历史,中值滤波的被动取证成为当今的研究热点。本文首先介绍了图像被动取证的研究背景与意义,结合国内外中值滤波取证的研究现状,分析了基于支持向量机的中值滤波传统取证算法与基于深度学习卷积神经网络的中值滤波取证算法。简要介绍了卷积神经网络的发展现状。本文对比分析了三种基于局部二值模式的传统中值滤波取证算法,通过在不同数据集上的仿真实验得到现有基于局部二值模式中值滤波取证算法中存在的不足与研究方向。为了揭示中值滤波前后图像像素的数学统计关系,本文设计了一种图像中值滤波检测的融合特征CLF(CS&LBP Fusion Feature)。将描述向量线性相关性的指标——余弦相似度(Cosine Similarity,CS),与局部二值模式(Local Binary Pattern,LBP)特征进行结合得到融合特征CLF来对图像进行中值滤波检测。实验结果表明,本文融合特征能有效对未压缩图片与JPEG(Joint Photographic Experts Group)压缩图片进行中值滤波检测。本文在计算余弦相似度特征时,使用对差分图像进行局部正方形块扫描得到块像素矩阵的策略,减小了整个特征计算时间,有效降低了对大数据集特征计算的时间复杂度。结合深度学习卷积神经网络自动学习图像特征的优点,设计了一种基于卷积神经网络的局部二值模式中值滤波取证算法。不同于一般图像分类,中值滤波的操作痕迹在原始图像与滤波图像中差异十分微弱,直接用肉眼无法辨别。为了使网络更好的学习中值滤波在图像中留下的痕迹,本文在数据输入卷积神经网络前,加入局部二值模式预处理操作。设计了一种添加LBP预处理层的LCNN网络。首先通过计算原始图像与对应中值滤波图像的LBP二值模式特征图作为LCNN的预处理,放大两类图像差异。然后将LBP二值模式特征图投入一般卷积神经网络中进行特征学习并分类。实验结果表明,对于JPEG压缩图像数据集,经过LBP预处理后,类间差异仍然有效,LCNN网络在两种数据集上都能实现有效检测,并能达到较高的检测精度。