近年来出现并迅猛发展的深度伪造（DeepFake）技术深刻改变了多媒体内容伪造的方式和水平,给网络空间内容安全带来了新的严峻挑战。本文主要关注深度伪造中典型且危害大的视频换脸伪造,分别提出基于I3D（Inception3D）网络的眼部与口部双流检测方法与加入Mix Up数据增强的检测方法,主要研究内容如下:（1）针对现有大多数伪造检测方法忽略了视频中重要的时间信息的问题,将目前常用的仅具备空域感受能力的2D卷积拓展为I3D卷积,赋予网络同时感受空域和时域信息的能力。同时,通过调整I3D网络结构使其从原有的多分类任务设计改进为更适合换脸取证二分类任务的高效网络。进一步,考虑到视频换脸操作中眼部和口部区域伪造难度更大也更容易留下篡改痕迹的特点,提出基于这两个区域的双流网络结构,最终利用双流输出结果实现协同决策。通过在Celeb-DF、DFDC、Deep Fake Detection、Face Forensics++等目前常用数据集上的广泛实验,结果表明本文提出的方法在检测准确性和效率上较目前最先进的Xception和标准I3D网络均得到显著提升。（2）针对现有算法跨数据集性能较差的问题,本文提出了利用Mix Up数据增强算法对模型通用性进行改进的方法。通过分析经验风险最小化原则的原理,揭示现有算法通过增加网络复杂度来提升检测准确率的方法会导致网络泛化性能差、容易出现过拟合的问题,而Mix Up可通过拓展训练分布来改善网络性能,提升网络鲁棒性。进一步,本文通过将检测模型改造为端到端的网络,降低算法中人为操作的占比,使模型通过Mix Up数据自动学习特征提取和分类器,以实现检测效率的提升,并通过实验验证其有效性,确定Mix Up参数对网络的影响。在Face Forensics++数据集上训练的模型,在Celeb-DF、DFDC、Deep Fake Detection三个常用数据集上进行测试,结果表明MixUp算法对于提升跨数据集性能的有效性。