随着功能强大的图像处理软件的发展和普及,数字图像很容易被编辑和篡改而且不会留下明显的痕迹。虽然被修改过的照片能带给我们一些视觉享受和娱乐效果,但是一旦这些虚假的照片被滥用,将产生非常严重的后果。小到认知的误导和个人隐私的侵犯,某些涉及经济、政治、传媒、军事、科技、医疗、司法等领域的图像造假甚至会对国家和社会产生巨大的危害,损失无法估量。因此,针对数字图像篡改的取证研究,日益成为一个非常热门而重要的研究课题。数字图像的篡改方式是多种多样的,而图像拼接便是最为常见的篡改手段之一。现有的方法是大都是通过分析拼接篡改引起的图像固有信息的改变,采用某种算法进行特征提取,完成拼接图像的检测,在分类器的选择上大都使用了浅层学习方法(如SVM)。而深度学习是目前比较热门的一种网络模型,它克服了浅层学习不够充分、深度不足等缺点,已被应用于模式识别、目标跟踪等领域。本文对图像拼接的被动取证技术进行研究,探索如何将深度学习理论应用于图像取证。本文主要研究一种基于深度学习的图像拼接检测算法。采用深度置信网络(DBN)来模拟人的学习过程,实现图像拼接的被动取证。首先提取基于图像块离散余弦变换(BDCT)的马尔科夫(Markov)状态转移概率特征作为DBN网络的底层输入；然后利用对比散度(CD)算法训练受限玻尔兹曼机(RBM)；接着利用BP算法根据带标签的数据对训练好的各层参数进行微调；最后利用已训练好的深度网络进行分类预测。实验结果表明,在哥伦比亚大学拼接检测图片库上做训练和预测,本文算法达到了91.26%的平均识别正确率,检测效果优于已有的几种基于浅层学习的算法。本文还通过大量的实验分析,得出了DBN主要特性参数对图像拼接检测的分类效果的影响。详细分析了DBN的网络层数、隐含层节点数、学习率、迭代次数以及训练样本数对图像拼接检测准确率的影响,探寻了最佳的网络参数,对DBN在图像篡改被动取证领域的应用进行了有益的尝试。DBN通过无监督的特征学习和有监督的网络微调,可以充分挖掘数据中的内在信息,从而获取更优的特征,为图像篡改检测问题的研究开拓了新的视野。