随着数码相机和计算机的快速普及，使得数字图像的制作变的极其简单，然而与胶片图像相比，数字图像更加易于篡改，对于如何辨别数字图像的真假已经成为了一个当前热点。在数字图像取证研究中主要包括主动取证技术和被动取证技术两个方向，主动取证技术需要图像提供方在图像中嵌入水印或者做其它的预处理操作，取证工作具有一定的局限性。被动取证技术亦称为盲取证技术，是指在不依赖任何数字水印或者数字签名的前提下，通过对数字图像的统计特性来分析判断图像内容的真实性、完整性和原始性。它对数字图像没有特殊的要求，也不需要事先在取证的图像中嵌入附加信息，实用性较强。本文系统的总结了数字图像被动取证的研究基础与发展前景，详细介绍了区分计算机生成图像和自然图像的理论依据，重点研究了图像质量评价参数、隐马尔科夫模型、图像DCT域AC系数首位有效数字的Benford的概率分布，并对基于支持向量机的被动取证框架在鉴别计算机生成图像和自然图像上进行了深入的研究。论文分别从以下几个方面取得了技术创新和研究成果:　　 (1)详细分析了自然图像和计算机生成图像的生成过程以及两类图像的在统计特性上的差异，为自然图像和计算机生成图像的鉴别提供了充分的理论依据。　　 (2)提出了一种基于多特征的自然图像和计算机生成图像的鉴别方法，将图像质量评价参数和隐马尔科夫模型中经过阈值处理后的状态转移概率相结合作为鉴别自然图像和计算机生成图像的特征向量，并且选用LibSVM作为分类器进行训练。实验表明，所提出的鉴别模型具有一定的针对性，鉴别准确率较高。　　 (3)提出了一种基于Benford模型的自然图像与计算机生成图像的鉴别方法，利用Benford模型作为统计依据，总结出自然图像和计算机图像的DCT域AC系数首位有效数字的统计特性，并根据两类图像差异的显著性水平来设定阈值对待检图像的来源做出真实性判决，这种算法模型提高了自然图像与计算机生成图像的鉴别准确率且计算量小、易于实现。　　 综上所述，本文的主要研究工作在于自然图像和计算机生成图像的图像来源鉴别。在理论和应用上有一定的成果，对以后的数字图像取证工作有一定的推动作用。