随着科学技术的发展、各种智能设备的层出不穷和网络的开放,数字图像已经成为了十分普及的信息传播媒介,然而这也增加了数字图像被肆意篡改伪造的风险。为了以有效的手段对此类事情加以约束,数字图像的取证技术得以飞速发展。数字图像取证技术分类主动和被动两大类,本文研究的基于相机型号的来源鉴别属于被动取证中一个十分重要的分支。目前在数字图像来源鉴别研究的前提是要有足够的训练样本。当样本的先验信息不充分时,会对来源鉴别的准确率造成极大的影响。针对这一实际情况本文提出了具体的解决方法,主要研究内容如下:(1)首先提出了基于虚拟样本集成学习的来源鉴别方法。其中虚拟样本生成方法包括两种,均值法和基于趋势扩散的MTD方法。均值法是指对同一类内的样本两两求均值生成虚拟样本,然后将生成的虚拟样本加入原始训练样本中组成新的训练样本送入支持向量机(SVM)。MTD的方法首先根据趋势扩散理论算出样本的扩散范围,然后在此范围内按照均匀分布随机的生成虚拟样本。最后将可能性高的虚拟样本加入原始训练集中。经过实验表明生成虚拟样本时随机性过强,导致最终的分类结果提升较小。基于虚拟样本生成方法存在的缺陷,加入了集成学习的思想。在生成多组虚拟样本后,用其训练多个基分类器,最后用投票法将各个基分类器的学习结果进行整合,得到最终的分类结果。实验结果证实了基于虚拟样本集成学习的来源鉴别方法优于仅基于虚拟样本生成的来源鉴别方法。(2)在集成学习的基础上加入了半监督的方法,即基于虚拟样本半监督集成学习的来源鉴别方法。首先根据虚拟样本集成学习方法的分类结果,按照后验概率筛选合适的无标签样本作为新的训练样本,并生成新虚拟样本。将新的训练样本及新的虚拟样本加入原来的训练样本中再次用集成学习的方法训练,得到最终的分类器,在相同实验环境下的实验表明此方法的来源鉴别准确率最高。