现如今,图像是人们获取信息的主要途径,随着图像编辑软件的普及和专业性降低,图像篡改层出不穷,图像内容信息的可靠性降低。当篡改图像出现在新闻热点、公安司法、医疗影像、学术研究等领域时,为社会稳定和生命安全带来巨大威胁,因此图像篡改检测具有重要的研究价值与意义。图像复制-粘贴篡改是常见的图像篡改方式,在同幅图像内复制部分区域,粘贴到该图像内其他区域,以达到掩盖或重复的效果。目前对图像复制-粘贴篡改检测的研究主要分为基于图像块、关键点和深度学习的图像复制-粘贴篡改检测方法。随着大数据的发展,基于深度学习的方法逐渐成为主流,但还存在着检测准确率不高、边缘精度较差、鲁棒性有待提高等问题。本文针对基于深度学习的图像复制-粘贴篡改检测进行研究,主要工作如下:（1）针对目前算法泛化性和检测结果边缘精度较差的问题,设计了一种基于超边界像素方向（Super Boundary-to-Pixel Direction,Super-BPD）分割和深度卷积神经网络（Deep Convolutional Neural Network,DCNN）的图像复制-粘贴篡改检测算法:SD-Net。利用Super-BPD分割技术,预先将图像不规则分块。因复制-粘贴篡改的特性,图像经篡改后,复制区域与篡改区域相似度极高,会划分在同一类块下,所以预先进行分割处理,增强同类块内的联系,提高匹配准确度。利用DCNN进行图像特征提取,以自动学习特征代替传统手工特征,使提取特征更适用于图像复制-粘贴篡改检测。将原有图像特征与分割后的图像特征融合,利用自相关匹配模块进行匹配,得到图像内各像素间的联系。将得到的相关矩阵通过卷积网络进行分类判别,筛选出图像内重复区域,大致定位图像复制与篡改区域。利用在BPD信息中得到的图像边缘信息,将以上检测到的大致篡改区域在细节方面进行优化,得到更精细的篡改检测结果。实验表明,所提算法SD-Net可定位普通移动、旋转、缩放等篡改,可检测大尺度缩放后的篡改。与现有算法相比,SD-Net提高了检测效果的准确度,且对边缘区域检测的准确度更高。但因SD-Net的Super-BPD分割模块单独采用一个分支直接从图像内提取边缘特征,计算复杂度偏高,网络效率较低。（2）针对上一方法SD-Net网络效率低的问题,设计了一种基于门控卷积（Gated Convolutional,GC）和鲁棒模块（Robust Module,RM）的图像复制-粘贴篡改检测算法:GR-Net。GR-Net在网络训练阶段使用鲁棒模块,对图像进行预攻击,通过训练预攻击图像,提高算法对预攻击类型的鲁棒性。特征提取模块采用DenseNet作为主干网络,高效提取攻击后图像的深层特征。自相关匹配模块对深层特征进行特征匹配,匹配到相似特征,定位大致篡改区域。在特征提取模块DenseNet提取篡改特征的同时,门控卷积模块控制提取边缘信息,并非从篡改图像内重新提取,减少了计算量。特征融合模块将相似特征与边缘信息通过空洞空间金字塔池化层（Atrous Spatial Pyramid Pooling,ASPP）进行融合,得到最终检测的篡改区域。实验表明,所提算法GR-Net能够定位普通移动、旋转、缩放等篡改,且对后处理操作鲁棒。与上一方法SD-Net和其他现有算法相比,GR-Net复杂度更低,检测结果准确率更高。