随着互联网技术的普及和智能手机的不断发展,人们更容易接触和使用到数字图像,与此同时,图像篡改技术的日益强大,使人们对图像的真实性越来越重视。图像拼接篡改盲取证作为判断图像真实性和完整性的一门技术受到了更多的关注,对维护社会公平和保护事实真相具有重要意义。随着卷积神经网络技术的日渐成熟,为拼接篡改盲取证指出新的研究思路,可有效提高拼接篡改盲取证的定位精度。目前的拼接篡改盲取证仍然存在一些问题,由于图像后处理技术的发展,拼接篡改痕迹被隐藏以致越来越不易被发现,篡改区域定位愈发具有挑战性。目前主流拼接篡改盲取证方法在特征提取阶段不能充分提取篡改特征,且像素级定位不准确。基于此,本文提出了一种基于双流卷积神经网络的图像拼接篡改盲取证算法（Two Stream Region-CNN,TW R-CNN）,具体研究内容如下:（1）针对拼接篡改特征提取不充分的问题,本文提出双流特征提取网络,即光源流和图像流。首先光源流引入GGE（Generalized Grey-World,GGE）和IIC（Inverse-Intensity Chromaticity,IIC）两种光源图（Illuminant Map,IM）,提取光源图的局部特征,即篡改区域与真实区域间的光源颜色不一致特征。其次图像流提取输入图像的全局特征,如不自然篡改边界、强烈的对比度差异。最后将双流特征进行基于特征金字塔的多尺度融合,融合后的特征图包含了丰富的上下文信息,为后续的篡改区域定位提供了充分的篡改特征。（2）针对像素级定位不准确的问题,本文提出了两点改进:1)基于空间注意力的区域生成网络（Spatial Attention Region Proposal Network,Attention-RPN）,提取包含像素级位置信息的篡改候选区域,同时增强篡改候选区域的特征表示,2)应用K-means对Attention-RPN的锚框（Anchor）尺寸进行聚类分析,计算得到拼接篡改盲取证算法的锚框尺寸,提高边界框回归的准确度。本文算法在合成数据集上进行训练,在Columbia,NIST16和CASIA标准数据集上测试。在使用GGE光源图时,三个数据集上F1分数分别达到了73.1%,79.4%,43.9%,在使用IIC光源图时,三个数据集上F1分数分别达到了73.2%,81.0%,45.2%。将本文算法与其他主流拼接盲取证方法进行对比,在使用GGE光源图时,Columbia,NIST16上F1分数分别提升了3.4%,7.2%,在使用IIC光源图时,Columbia,NIST16上F1分数分别提升了3.5%,8.8%。实验结果表明本文提出的TW R-CNN对拼接篡改盲取证达到较好的结果。