在多媒体信息化的浪潮中,人们可以利用现代化的拍摄设备和智能化的图像处理软件随心所欲地记录生活,但同时也给不法分子进行图像恶意篡改和信息犯罪提供了空间,数字图像取证技术应运而生。作为数字图像被动取证技术中的重要分支,相机型号来源鉴别为维护司法正义、树立版权意识及打击网络犯罪等方面立下汗马功劳,其目的是将待检测图像与其拍摄的相机模型建立联系以推动相关案件的司法取证工作。在传统的数字图像取证中,相机来源鉴别常被认为是一个多分类问题。而在真实的弱先验环境中,取证人员的数据集中难以掌握市面上的所有拍摄设备的数据,若仍只考虑传统的封闭环境势必会造成分类器将来自数据集之外的相机模型拍摄的图像错误地认为成来自已知的数据集内部。为了解决弱先验下的图像来源鉴别问题,本文从开放环境和开放世界两个角度提出了两种方法,主要研究内容如下:（1）提出一种基于自适应聚类包络优化的相机来源取证方法。方法首先提取训练集图像的颜色滤波阵列插值权值系数特征,接下来通过自适应聚类手段将原始的同一类型相机数据依照特征空间分布的不同进行划分,随后根据划分结果进行支持向量数据描述包络刻画并形成子包络,后又根据真实相机模型标签进行子包络的融合,从而在拒绝未知来源相机模型的同时更好的召回已知来源相机模型,最后结合判别法则得到最终的分类结果。实验表明,相比现有方法,本方法提高了在已知来源相机模型数量低的恶劣环境下的相机来源鉴别准确率,且与使用深度学习的方法相比具有更强的模型扩展能力和鲁棒性。（2）提出了一种基于可疑集构建自训练支持向量机的相机来源取证方法。方法首先在颜色滤波阵列插值权值系数特征空间利用超曲面包络构建将已知来源与未知来源的图像进行粗分类,随后利用欧几里得距离、标准欧几里得距离和推土机距离作为聚类度量,结合集成判别法则构建可疑集合,最后通过半监督学习完成自训练支持向量机分类器搭建,利用迭代分配准则得到最终分类结果。实验表明,本方法有效解决了开放世界中的相机来源鉴别问题。