如今社会上出现各种各样先进的产品和技术,如高性能的智能手机、各种新颖的图像编辑APP和常用的社交APP等。这些APP的出现和流行让图像的拍摄、编辑和传播变得方便,也使网络上充斥着各种真真假假的数字图像。由此可见,高科技的发展作为一把双刃剑,在丰富便利生活的同时,也使数字图像的可信度逐渐降低,会有不法分子为实现自己目的而恶意篡改图像。为了进一步保证数字图像的可信度,研究者提出了被动数字图像取证技术,它在取证方面有着不可替代的作用。其中源相机型号鉴别作为一个重要的分支,其目标是识别数字图像的源相机设备。源相机型号鉴别,通常通过已知标签的图像样本来训练分类器,进而识别出给定的未知标签的图像来源。然而,在实际应用中,要找到足够多的已知标签的图像样本是一个很大的挑战。在已知标签的图像样本数有限的情况下,现有的图像来源鉴别方法大多会失去原有的高准确率,并不可靠。为了解决这一问题,本文提出了两种具体的解决方法,主要研究内容如下:（1）提出了一种基于距离半监督集成学习的有限样本图像来源鉴别方法,基于两两样本间的欧式距离、曼哈顿距离、切比雪夫距离进行聚类,设置不同阈值选取距离已知标签的图像样本近的未知标签图像样本,随后通过集成学习,选取距离已知标签图像样本近的出现次数较高的未知标签图像样本,叠加已知标签图像样本构成新的训练集,通过SVM进行自纠错,改进未知标签图像样本的伪标签,最终使得得到的新训练集图像样本标签更加纯正,进而实现分类准确率更高。经过实验证明,基于距离半监督集成学习的有限样本图像来源鉴别方法可以充分利用未知标签的图像样本信息,相比其他方法能极大程度上提高有限样本情况下的图像来源鉴别准确率。（2）提出了一种基于集成学习映射的有限样本图像来源鉴别方法,在给定已知标签图像样本的情况下,引入图像的LBP特征和CFA特征进一步丰富先验信息,构造出多个特征子集,进而建立多个预分类器,随后引入半监督思想,对所有图像样本进行测试,以后验概率作为衡量标准,排序后选取后验概率较高的图像样本构成原型集。通过原型集训练分类器,将得到的每个图像样本属于每个类的后验概率组合,作为最终的投影向量,即新的分类特征。最终使用新特征训练出多个弱分类器,通过集成学习投票法得到最终的来源鉴别结果。实验结果表明,此方法具有较好的性能,能明显地提高有限样本情况下的图像来源鉴别准确率。