当今社会,人工智能产品正日益广泛的应用于人们的日常生活,相机、智能手机等拍照设备更是成为人们记录生活不可或缺的工具。然而技术的进步是一柄双刃剑,近年来,利用计算机软件恶意篡改数字图片用以扭曲事实的事件时有发生,一些不法分子借此可乘之机获取不当利益,给社会制造了不必要的恐慌,数字图像的安全问题和真实问题日益成为人们关注的焦点。因此,数字图像取证技术也变得备受关注,而本文正是针对源相机模型识别这一数字图像取证领域的一个重要分支展开的研究。源相机模型识别目前有两种主流的方法,一种是传统的方法,主要依靠处理光响应非均匀性噪声这种模式噪声,对其采取滤波操作,得到残余的模式噪声部分,之后将待测图片与已有的模式噪声进行对比,以此对图片进行识别分类;另一种是基于深度学习的方法,其主要通过神经网络提取图片中的特征信息,然后网络自主地对提取到的特征进行处理,最后给出分类结果,以期达到源相机模型识别的目的。本文选择深度学习方法开展源相机模型识别问题的研究,引入了视觉注意力机制来对源相机模型进行分类。通过残差注意力网络中的两个分支:主干分支和掩码分支,同时对图片进行特征提取,然后将两个分支提取到的特征按照不同权重比例进行融合,进而生成特征图,之后,残差注意力网络通过处理特征图,经由Softmax层最终得到分类结果。本文中的残差注意力网络采用提取图像块的方式作为网络输入,因此本文对图像块提取、数据集制作,以及数据预处理均做了不同程度的改进。最终,本文提出的方法在源相机模型识别公共数据集Dresden上取得了 98.63%的识别准确率。针对某些特殊品牌相机(主要是Sony类相机)在目前的深度学习网络中存在的识别率低的问题,本文创新性的提出级联网络用以提升算法对难分样本的识别率。对于Sony类源相机的识别,采用以残差网络为基底的网络结构进行训练测试,并且重新改进了图像块提取规则,改进了网络的数据预处理操作,一定程度上解决了 Sony类相机识别率低的问题,达到了 Sony三类总体93.29%的识别准确率,同时对于Sony相机品牌内部混淆严重的情况也有了明显的改善。在测试的时候,将残差网络和残差注意力网络利用级联的思想进行融合,使网络融合为一个整体,待测图片只需送入到输入层,网络会自动输出一个最终识别分类结果,方便快捷,便于应用。该框架的提出对于其他数据集同样具有借鉴作用。经过实验验证,本文提出的网络能够出色的完成源相机模型识别任务,并且具有一定的鲁棒性和可扩展性。