数字音频技术的快速发展使得音频录制变得更加方便,而各种音频编辑软件的问世也使得人们能够更为简单地对音频数据进行后期处理,这将难以保障音频的真实性。为此,对数字音频的篡改识别研究就显得十分重要。电网频率（Electric Network Frequency,ENF）是电力系统的供电频率,通常可以被接入电源或在电源附近的录音设备所捕获,目前广泛应用于音频篡改取证研究。然而目前基于ENF的研究方法仍存在着一定的不足。现有方法大多依赖于将音频中提取出来的电网信号与ENF参考数据进行匹配,然而建立ENF参考数据库十分困难。基于ENF的盲篡改识别技术,主要是根据篡改导致的ENF信号相位突变而人为设置分类阈值,但手动设置容易不够精准。同时嵌入在音频中的ENF信号难免会受到外界的噪声干扰和污染,这会对后续的取证结果造成很大的影响。基于上述分析,本文的主要研究内容如下:（1）针对ENF信号中难以避免的噪声干扰因素,本文提出了一种基于变分模式分解算法（Variational Mode Decomposition,VMD）和扩展鲁棒滤波算法（Extended Robust Filtering Algorithm,ERFA）的ENF信号降噪技术。VMD算法自适应迭代搜寻变分模型的最优解,通过仿真实验证明该算法能够有效分离信号中的噪声。ERFA算法是本文提出的对鲁棒滤波算法（Robust Filtering Algorithm,RFA）应用场景的扩展,可以同时对ENF多个谐波信号分量进行降噪,并且本文证明了ERFA算法对多分量信号降噪的可行性。本文的ENF信号降噪技术结合VMD算法和ERFA算法能够分别去除音频信号中的噪声干扰信号和电网干扰信号,实现对ENF信号中基波和高次谐波的降噪。在合成信号中进行的仿真实验结果表明该技术可以有效地对信噪比（Signal-to-Noise Ratio,SNR）为-20d B下的含噪ENF信号进行降噪。同时在真实音频数据中也进行了实验,同样验证了该降噪技术的有效性。（2）针对基于ENF的音频篡改盲取证研究,本文提出了一种一维卷积神经网络（One-Dimensional Convolutional Neural Network,1D-CNN）模型,用于对真实录音和篡改录音进行自动分类。本文提出了一种基波谐波特征组合的数据输入方式,实验结果表明该组合方式与仅使用一个特征分量相比,能够得到更鲁棒和更准确的特征精度。本文主要研究了三种篡改类型,分别为删除片段篡改、插入片段篡改和交换片段篡改。根据音频篡改类型的区分,再加上原始未篡改音频,设计了一种四分类篡改识别场景。同时将篡改类型合并可以将模型退化为一般的二分类篡改识别场景。实验分别在上述四分类篡改识别场景和二分类篡改识别场景下对模型的性能进行了评估。该模型在四分类篡改识别场景下的识别准确率能达到93%以上,在二分类篡改识别场景下的识别准确率能达到96%以上。实验证明了1D-CNN模型对于分类场景的复用性和鲁棒性。同时与其他传统机器学习模型相比,实验结果也表明1D-CNN性能更好。