随着社交网络的快速发展,数字图像已经越来越成为人们互相之间传递信息的一种重要方式,因为其能以紧凑的方式传达大量的信息。但是近年来,由于各种图像篡改技术的发展,使人们可以在互联网上开源的下载到很多有着完善功能的图像篡改软件。而许多恶意的篡改者应用其对数字图像进行篡改,同时这种篡改对于人们来说,又很难在视觉上进行直接的辨别与检测。因此,为了重新建立人们对数字图像的公信力,迫切地需要开发一种可靠的且有效地数字图像篡改检测方法。现阶段的研究中,图像篡改取证主要有以下两类方法:数字图像主动取证方法与数字图像被动取证方法或数字图像盲鉴别检测方法。数字图像主动取证方法主要是通过检测在生成图像时事先嵌入一些先验信息如数字水印、数字签名以及数字指纹等等,如果在检测的过程中发现嵌入的先验信息被修改或者被破坏,研究者可以根据密钥以及破坏后的信息进行篡改检测以及定位等操作。相比于数字图像主动取证方法,数字图像被动取证方法不需要在生成图像时加入任何的先验信息,其根据篡改时在数字图像中留下的独有的篡改痕迹进行篡改的识别与篡改区域的检测。由此现在的研究中越来越趋于数字图像被动取证方法。而图像拼接作为众多数字图像篡改技术中的最常见的同时也是造成社会影响最为严重的一种篡改手段,已经越来越受到研究者们的关注。由此,本文主要关注的拼接图像盲鉴别检测技术。首先本文介绍了数组图像取证技术的研究背景以及意义。然后介绍了主动取证方法以及被动取证方法的代表方法,并经过对比确定了本文关注的拼接图像被动取证技术。在被动取证技术中,由生成图像时的不同的操作带来的不同的数字图像固有的标签(噪声、光照环境以及像素统计特征等等),经过对比之后,本文选择了基于图像像素统计特征的被动取证方法。由于在以往的基于统计特征的检测框架中,检测模型经常无法完全利用图像所有的颜色通道的信息以及通道之间相关性的信息。由此本文第三章的算法在提取图像的Markov特征进行篡改检测时,引入了“八元数”的概念,并提出了DOCT算法。并且优化了高维空间转换二维空间的融合方法以及LIBSVM的分类器的参数选取方法,经过实验验证,第三章提出的方法可以有效地提高篡改模型的性能以及鲁棒性。而由于DOCT的复杂度以及在将高维特征转换到二维空间时信息的丢失,在第四章中,篡改模型引入了QDCT算法,并且为了使框架结构完全构建在高维空间中,提出了QDIFF算法以及Q-Markov,然后针对Markov特征的冗余性,引入了QSVD降维算法,最后使用QBPNN进行分类真实图像与拼接图像。经过实验证明,该模型超过所有现存的拼接图像盲检测算法。