为鉴定数字图像的真实性和完整性,图像盲取证技术受到广泛的关注。深度学习技术的不断发展为图像盲取证研究提供了新的思路,有效提高图像篡改定位的精度。复制-粘贴篡改是图像篡改中最常见的操作,可以在同一图像中隐藏或添加有意义的对象。但是,目前主流复制-粘贴篡改盲取证方法存在特征提取阶段未能充分提取篡改特征、仅定位篡改区域而未定位粘贴源区域、定位掩码边界不明确等问题。本文提出基于注意力和细化网络的图像篡改盲取证方法,通过注意力模块增强篡改区域特征表示,细化网络生成精准的定位掩码,具体研究内容如下:（1）提出基于空间注意力和对抗细化网络的图像盲取证框架,包含检测网络和对抗细化网络两个模块。检测网络首先使用空间注意力模块计算同行和同列像素点之间的依赖性,以此模拟像素点之间的依赖关系,突出篡改区域特征;然后借助深度匹配模块计算不同图像块之间的相似性,匹配对应的真实区域;最后通过空洞空间金字塔池化模块捕获不同尺度的信息,生成定位掩码。对抗细化网络负责区分定位掩码和真值,采用对抗方式训练,不断提升定位掩码与真值之间的相似性。（2）为进一步解决边界区域像素预测不准确的问题,提出基于自适应注意力和残差细化网络的图像盲取证算法。通过自适应地融合空间注意力特征和通道注意力特征,捕获全局上下文信息,丰富篡改区域特征;然后采用深度匹配和空洞空间金字塔池化模块生成粗糙的定位掩码;最后通过残差细化模块利用低层信息保留图像结构信息,优化定位掩码。为寻找最优参数集,本算法结合自适应注意力模块和残差细化网络的特点,采用不同的损失函数分别训练每一模块。（3）在CASIA II数据集上进行模型有效性实验和鲁棒性实验,在CASIA II、COMOFOD和COVERAGE三个数据集上与其他主流方法对比。实验结果表明,提出的方法能有效提取篡改区域特征,准确定位复制-粘贴篡改区域和源区域,在CASIA II和COMOFOD数据集上F1分别达到45.42%、50.09%,在COVERAGE数据集上AUC（Area Under Receiver Operating Characteristic Curve）达到84.88%,对复制-粘贴篡改盲取证达到较好的效果。