近年来,随着互联网的普及,数字图像已经成为当今时代传递信息的重要媒介。但是在数字图像处理技术的快速发展下,各种用户友好的图像编辑软件应运而生。用户可以通过简结的操作方式生成大量以假乱真的篡改图像,而这些篡改图像会给司法,军事、媒体等领域带来严重的危害。因此,图像篡改检测具有重要的研究价值。目前,图像篡改检测技术的研究方法主要分为传统的检测方法和基于深度学习的检测方法。其中,传统的图像篡改检测方法是通过手工提取特征检测篡改图像和定位篡改区域,由于特征提取的局限性导致该类方法大多数只能检测一种篡改手段。而基于深度学习的图像篡改检测方法可以通过卷积神经网络提取更丰富的特征来检测多种篡改手段,但是复杂的参数运算会导致计算速度缓慢。此外,后处理操作会隐藏部分篡改特征,导致这类方法对经过多种后处理操作的篡改图像检测效果并不理想。因此,针对以上问题,本文在基于深度学习的图像篡改检测技术领域进行了研究,主要工作包含以下几个方面:（1）由于现有的篡改图像数据集中,还没有一个公开、标准的数据集可用于检测多种篡改手段的研究。因此,本文制作了一个适用于实验研究的综合数据集。通过在公开数据集CASIA基础上,使用美图秀秀消除功能制作去除图像,并使用标注工具Labellmg对复制粘贴、拼接和去除三种类型的篡改图像进行篡改区域和类别标注。（2）鉴于Faster R-CNN网络在目标检测技术领域的突出表现,本文研究一种基于Faster R-CNN网络的图像篡改检测方法,通过VGG16对输入篡改图像进行特征提取,提取到的特征图经过RPN层后自动生成篡改区域候选框用于后续的分类和回归。实验结果表明,该方法针对拼接篡改手段效果更好,对复制粘贴和去除篡改手段的效果不理想,并且计算速度较为缓慢。（3）为了优化计算速度,本文将RFCN网络应用于图像篡改检测研究中。在特征提取部分应用全卷积网络减少参数运算,井通过一层特殊卷积生成位置敏感特征图,再通过投票方式进行分类与回归任务降低计算量。实验结果表明,该方法可以实现每秒12.99张图像的检测速度,而检测精度仍有提升的空间。（4）为高效、准确的检测复制粘贴、拼接和去除三种篡改手段,本文提由一种基于双通道全卷积网络的多种篡改检测研究方法。其中,为了捕捉更多类型的篡改特征应对后处理操作,网络的输入由RGB图像和经过SRM滤波器的噪声残差图像组成。特征提取部分采用ResNet-50的卷积层和门控通道注意力转换单元,通过促进特征通道间的关系突出有用的篡改特征用于提升检测精度。最终得到的位置敏感特征图通过投票的方式进行分类与回归操作。实验结果表明,该方法可以检测复制粘贴、拼接和去除三种篡改手段,检测精度达到了 75.55%。