随着计算机技术的发展,数字图像在人们生活中被广泛使用,同时数字图像中潜在的安全问题也日益严峻。篡改的数字图像通过网络等途径的传播会影响人们对于事物的判断,甚至是给经济和社会秩序造成危害。为了能够检测篡改的数字图像,保护信息安全,数字图像取证技术在近些年得到了很大的发展。与此同时,为了探究取证技术的安全性,促进取证理论的完善,数字图像反取证研究也得到了广泛的关注。本文针对数字图像对比度增强反取证这一方向,在保持图像对比度增强操作带来的视觉效果的情况下,从不同的角度提出了三种基于生成对抗网络的反取证算法,用于进一步探究现有的取证算法的安全性。（1）提出了一种基于生成对抗网络的对比度增强反取证算法。当前的对比度增强反取证算法对于基于像素域的取证方法的反取证攻击性能较弱,为了进一步探究这类取证算法的安全性,提出了一种基于生成对抗网路的反取证框架实现对比度增强反取证。其中设计了一种基于多重残差学习的生成器结构,同时引入了一种新的特征损失项配合生成器的训练。实验结果表明该算法反取证攻击性能较高,且同时能够维持对比度增强的视觉效果,图像质量较高。（2）提出了一种基于先验知识引导生成对抗网络的对比度增强反取证算法。该算法利用对比度增强图像直方图痕迹相关的先验知识创造性地构建了两项损失函数,并且使用其引导生成对抗网络的训练。同时为了在训练过程中能够反向传播新设计的损失项引导的梯度信息,设计了特定的均值移动高斯函数来计算可导的图像直方图。实验结果表明该算法的反取证攻击性能更好,同时也维持了较高的图像质量。（3）提出了一种“JPEG-对比度增强”操作链反取证算法。当前针对图像操作链的反取证算法较少,为了能够探究操作链取证算法的安全性,设计了一种基于生成对抗网络的分级生成对抗机制,对“JPEG-对比度增强”图像进行反取证处理。此外还引入了一种基于邻近像素关系的损失项用于减小JPEG压缩带来的图像质量损失。实验结果表明,该算法在维持较高图像质量的情况下能够达到较好的反取证攻击性能。