深度学习技术、数字多媒体技术的快速发展为社会带来了许多便利,同时也给社会安全带来了挑战。近几年来,互联网上深度伪造视频的传播已成为一个热点问题。深度伪造技术通过交换人物身份达到欺骗目的,恶意使用者仅通过一部手机就可以在几分钟内得到效果逼真的深度伪造视频。深度伪造视频可用于操纵舆论,进行欺诈、抹黑、勒索他人等违法行为,因此迫切需要有效的鉴别算法来遏制错误信息的进一步传播。现有的深度伪造视频检测算法大多只利用二维人脸信息,很少利用三维人脸信息进行真假判别。此外大多数算法只关注与图像像素层面上的差异,很少从生物特征的角度出发揭示深度伪造视频生物信息上的缺陷。针对这些问题,本文基于三维人脸形变模型、软生物特征与UV纹理图进行研究,具体研究工作如下:1、介绍三维人脸形变模型建立过程,包括传统三维形变模型（3D Morphable Model,3DMM）方法、BFM模型和Face Warehouse模型三种模型,引出利用相机成像模型的外参数矩阵估计人物头部姿态信息,并利用3DMM模型提取人脸形状、纹理和表情参数;同时给出人脸UV纹理图的生成过程,引出利用UV纹理图表示三维空间中的人脸纹理信息。从上述三个方面的信息所提取的特征是本文鉴别真伪视频的基础。2、提出一种基于3DMM软生物特征的深度伪造视频检测算法。该算法利用软生物特征作为检测突破点,选取人脸图像帧并利用3DMM模型提取单帧面部属性,基于Res Net-34构建面部行为特征提取网络,通过度量学习损失函数发掘人物的特定面部行为特征。同时构建外貌特征提取模块,并基于闭集检索建立参考集,通过对比外貌特征与面部行为特征是否匹配来判断视频真假。实验结果表明算法具有较好的抗视频压缩鲁棒性和较高的检测准确度。3、提出一种基于UV纹理图的深度伪造视频双流检测算法。该算法充分利用三维人脸纹理信息进行伪造检测,通过3DMM模型,生成人脸UV纹理图,并以Efficient Net为基础网络设计一种双流模型框架,其中UV纹理图提取分支输入人脸UV纹理图进行三维纹理特征提取,RGB图提取分支输入RGB图像进行二维颜色信息特征提取。最后将不同支路提取到的特征进行融合后做真假分类。实验结果表明,该算法在多种数据库上具有较好的测试准确度。