随着互联网的普及与多媒体技术的快速发展,网络上传播着越来越多的数字图像。各种图像采集设备与编辑软件的不断出现,为人们的拍摄和修改照片提供了极大的方便。如果一些被篡改的照片被用于摄影比赛、新闻报道或者法庭取证上,对社会带来不利的影响将无法估量。因此,近十年来,人们对数字图像真实性和原创性的关注和需求显著增加,导致了数字图像取证研究领域的兴起。生活中90%以上的数字图像都以JPEG格式保存,并且大多数成像设备和后期处理软件都以JPEG格式输出图像,如果篡改JPEG图像并以JPEG格式保存新的伪造图像,这必将会引入二次JPEG压缩的痕迹。因此,针对二次JPEG图像进行取证研究,具有很高的实用价值和现实意义。本文主要从JPEG图像频域特性入手,结合卷积神经网络,完成了对二次JPEG压缩图像的检测及JPEG合成图像篡改区域的定位。本文的主要研究成果如下:首先,针对现有算法在小尺寸图像和第一压缩因子大于第二压缩因子时检测率低的问题,设计基于差分DCT域CNN的二次JPEG压缩检测算法,该算法将图像分为纹理和平滑区域,提取纹理区域的差分DCT矩阵,利用系数对直方图来表示特征,然后搭建CNN模型,讨论影响模型训练的参数,确立最佳CNN模型,训练模型对特征进行学习和分类,实现了对一次和二次JPEG压缩图像的检测。实验结果表明,本章所设计的算法能对64×64的一次和二次JPEG压缩图像进行分类,平均分类正确率在89%以上,即使在第一压缩因子大于第二压缩因子的困难情况下,本文算法也能保持80%左右的检测正确率,其检测率在三种算法中最高。其次,基于第三章提出的CNN分类模型,设计了针对JPEG篡改合成图像的篡改区域定位算法,该算法将JPEG图像进行重叠分块送入CNN中得到每块被一次压缩的概率,然后对概率进行整合,将重叠块的概率映射到不重叠块上,设置阈值,当每块概率大于当前阈值时判定为篡改区域。实验结果表明,本文设计的算法能实现对JPEG篡改合成图像篡改区域的定位,平均定位准确率达到0.85以上,高于对比文献10%左右,并且具有很强的鲁棒性。最后,基于本文提出的算法,开发了一款仿真演示系统,该系统利于用户理解和使用,可以直观地将算法的检测效果展示出来。