数字媒体技术的快速发展,各种功能强大的图像处理软件使得用户可以随时随地获取、拍摄和编辑图像。大多数人编辑图像的意图大相径庭,但恶意的图像伪造在一些重要领域如军事、传媒、学术出版物等引起了严重的负面影响。早期方法致力于鉴别一幅图像是否被伪造的图像级别篡改检测,仅有少数工作关注到像素级别的图像伪造定位。尽管国内外研究学者提出各种解决方案来定位图像中的被篡改区域,然而,这些方法大多数仅集中在一种或两种伪造类型,并且将其视为语义分割任务。近年来,深度学习算法显示出强大的信息提取能力给图像取证领域带来新的发展。但是,与获取图像内容信息的语义分割不同,篡改检测更关注操纵区域而不是语义内容。为了进一步提高定位精准度,本文基于卷积自编码结构,采用融合或精细化的方式强化特征信息以防止不相关的语义感知,减少误定位。针对数字图像内容改变中常见的复制-粘贴、拼接、和移除伪造,具体研究内容如下:1.混合特征和语义增强网络的图像伪造定位算法图像伪造检测的重点是篡改区域,而不是语义分割的图像内容,这表明更丰富的特征需要被学习。此外,语义信息的不足导致伪造定位效率低下。为了解决这些问题,本文提出了一种用于图像伪造定位的混合特征和语义增强网络（Hybrid Features and Semantic Reinforcement Network,HFSRNet）,它是一种基于卷积自编码的网络。具体来说,带重采样特征的长短期记忆（Long-Short Term Memory,LSTM）网络用于从图像分块中捕获痕迹,以发现操纵伪影。从旋转残差单元提取的巩固特征进一步放大未篡改区域和篡改区域之间的差异。接着,通过连接来混合它们的特征,进一步合并这两种形式下的空间共生。此外,为了实现跨层关联两个相同层次特征之间的语义一致性,在解码阶段实施语义增强（semantic reinforcement）。HFSRNet是一个端到端架构,可以处理多种类型的图像伪造,包括复制-粘贴、拼接、移除。在三个标准图像操纵数据集（NIST16、COVERAGE和CASIA）上的实验表明,与现有模型和基线相比,HFSRNet获得了优越的性能。2.两阶段特征精细化的图像伪造定位算法恶意篡改图像被认为是一种潜在的威胁,近年来基于深度学习的模型在图像伪造检测中表现出了出色的性能。然而,它们中的大多数在处理各种操纵类型的伪造图像时都存在不相关的语义感知问题,导致在伪造区域产生错误警报。因此,需要对图像内容进行抑制。本文利用两阶段特征精细化网络（A Two-Stage Feature Refinement Network,TSFR-Net）来处理这个问题,并遵循由粗到细的方案定位被篡改图像的伪造区域。第一阶段,视觉注意残差骨干巩固了CNN的学习方法,直接从图像中捕捉到被操纵区域与真实区域之间的不一致,用于后续的伪造粗定位。第二阶段,在粗定位结果图上再训练一个卷积自编码网络,引导模型进一步关注伪造区域的学习,而不是语义内容。接着,被注意机制强化的浅层特征再与深层特征融合。最后,提炼出更精细化的局部伪造特征对篡改区域进行分割。在四个标准图像操纵数据集（NIST16,COVERAGE,CASIA v1.0,In-The-Wild）上的实验结果表明,与其他最先进的方法相比,所提出的模型性能有显著提高。此外,TSFR-Net与另一种基线模型在像素级别AUC上的鲁棒性比较取得了很好的效果。