随着数字图像处理技术的发展和图像编辑软件的普及,修改一幅图像变得越来越容易。篡改图像在互联网中的恶意传播会对社会稳定,舆论公信力和媒体价值带来影响,因而鉴定图像真实性和完整性的数字图像取证技术日益受到广泛的关注。数字图像取证研究的关键是能够设计出符合取证目的的篡改特征,然而手工设计特征往往难度较大并且很难具有普适性。近年来,深度学习特别是卷积神经网络在计算机视觉领域的广泛应用为图像篡改取证问题带来了新的解决思路。卷积神经网络可以通过监督学习的方式,从数据集中自动学习到数据的分布,并将数据分布应用于特定的任务中。本文从特征学习的角度出发,利用卷积神经网络强大的特征提取能力,改进一些现有的经典网络模型并将其应用在图像取证领域。针对图像操作取证问题,本文提出了一种基于深度残差网络的图像操作篡改取证方法。该方法首先利用高通滤波预处理层提取篡改噪声残差信号,然后利用多尺度卷积层和残差模块进行逐层特征提取和融合,最后将特征整合到样本标记空间。所提出的网络模型能够用于高斯平滑,锐化,中值滤波,JPEG压缩,高斯白噪声五种图像操作的检测,在ImageNet224数据集上检测平均正确率达98.27%,同时网络对于小尺寸图片也拥有很好的取证性能。针对图像篡改区域定位问题,本文提出了一种基于全卷积神经网络和条件随机场的篡改区域定位方法。该方法首先训练了三种不同尺度的全卷积神经网络用于对篡改区域粗提取,接着融合三个网络的定位结果,然后通过条件随机场对定位结果进行后处理以修正邻域像素的关系,最后通过阈值确定最终的定位结果。对比几种基于全卷积神经网络的篡改区域定位方法,所设计的网络在CASIA ITDE数据集上检测性能良好,同时算法对受到图像操作的拼接图片也拥有良好的检测结果,具有一定的鲁棒性。