如何准确地检测出图像中的操纵痕迹是数字图像被动取证领域的研究重点。传统方法利用人工构造的特征进行检测,鲁棒性不强,而基于深度学习的方法虽具有较强的检测能力,但较少关注在正常图像上出现误检的情况。提出了一种改进的RGB-N图像操纵检测算法,该算法在使用F1分数评价操纵目标检测性能的同时,引入了在正常图像上的误检率指标来评价算法的实用性。设计了自适应空域富模型滤波器,构造多尺度融合的特征提取网络,并接入自注意力模块,增强了模型获取图像全局信息的能力,提高检测性能;为降低误检率,设计了真实性判断模块,输出的热图用于判断检测到的目标是否为误检,并通过从操纵目标来源图像选择负样本的训练策略进一步提高模型的分辨能力。实验结果表明,改进的RGB-N模型在含目标拼接与擦除两种操纵手段的数据集上的F1分数为0.759,在未操纵图像数据集上的误检率为0.2%,并在JPEG压缩攻击下具有较好的鲁棒性。