随着信息技术的发展,图像作为信息传递的重要载体,其应用范围愈发广泛。然而,图像编辑软件的不断发展使得篡改图像内容变得愈发简单,篡改图像对社会信息安全带来极大危害。因此,社会亟需可靠有效的数字图像取证技术。本文针对图像拼接篡改检测及篡改区域定位展开相关研究,主要研究内容如下:首先,本文提出基于噪声不一致性的图像拼接篡改检测算法。该算法主要针对基于图像分割网络的图像拼接篡改检测算法容易受到图像语义内容干扰的问题,利用拼接图像中存在的噪声不一致性,使用噪声特征抑制图像内容对检测结果的影响,同时为图像取证提供额外的证据。首先对经典图像分割网络UNet进行改进,增加一条收缩路径以同时利用拼接图像中存在的视觉特征与噪声特征,因此模型为双分支结构。RGB视觉分支用于提取拼接图像中的视觉特征,如对比度差异等,Noise分支使用SRM滤波器产生的噪声图像为输入,提取拼接图像中的噪声特征,最后通过改进的特征融合模块融合两个分支的特征,输出预测定位。实验结果表明,相较于基于图像分割网络的拼接检测方案,该算法可以实现更加准确的篡改区域定位,并对JPEG压缩、高斯噪声、尺寸变换具备良好的鲁棒性。其次,本文提出基于HRNet与SRM的图像拼接篡改检测算法。该算法采用并行连接网络HRNet为基础,因此可以一直保留高分辨率特征,从而解决串行连接结构的模型在下采样层中丢失边缘特征等重要空间信息的缺陷。首先对HRNet进行改进,使用空洞卷积替换普通卷积,从而减少模型下采样的倍数,进一步保留丰富的篡改信息。结合上文引入的SRM技术,构建双分支网络结构,以同时从视觉层面与噪声层面寻找取证线索。然后通过多次多尺度特征融合,进一步增强特征的表达能力。最后拼接对应分辨率的视觉特征与噪声特征,输出预测定位。在CASIA v2.0数据集和Columbia数据集中的实验结果表明,该算法优于现有算法,并且篡改区域定位效果有一定提升。最后,本文提出基于Attention模块的图像拼接篡改检测算法。该算法在前文研究的基础上,进一步探究如何协调处理视觉特征与噪声特征。考虑到前文算法仅利用拼接或相加这类简单的特征融合方式,不足以协调处理多类特征,因此本文结合注意力机制,根据视觉特征与噪声特征的属性差异,设计基于混合注意力机制的多特征融合模块。采用通道注意力模块对视觉特征进行处理,增强其中对篡改检测有利的特征模式的关注,抑制图像语义内容等不利特征。采用空间注意力模块将噪声特征转化成空间注意力图,从而引导算法看向更可能被篡改的区域。该模块适用性良好,因此本文将其与基于噪声不一致性的图像拼接篡改检测算法相结合,从而提出基于Attention模块的图像拼接篡改检测算法。实验结果表明,相较于现有算法,该算法对篡改区域的定位精度有较大提升。