数字图像作为重要的信息传播途径,在社会发展中有着举足轻重的地位。随着计算机技术和数字媒体技术的快速发展,大量的图像编辑软件的出现使得人们可以轻易地篡改图像的内容信息,导致图像的可信度严重降低。这些频繁出现的篡改图像已经在军事、司法、传媒等领域引起了严重的不良后果,同时也引发了研究学者们对图像篡改问题的关注。目前针对于图像拼接篡改的检测算法主要为基于特征提取的图像篡改检测算法。基于特征提取的图像篡改检测算法利用图像的某种属性(例如基于图像哈希属性和基于成像设备属性等)进行检测,其相应的缺陷在于只针对一种特定图像属性进行检测,当此属性被破坏或信息强度不足时,检测方法会趋于失效状态。本文针对上述指出的问题,在基于特征提取的图像篡改检测算法的基础上进行了深入研究。主要工作包含以下几个方面:1.基于卷积神经网络的特性及设计思想,进一步设计并提出浅层稀神经元的级联网络结构代替深层多神经元的单一网络结构,通过对困难样本特征进行再学习的方式,弥补以往利用深层多神经元的单一网络结构的图像篡改检测算法的缺陷。此检测算法由级联卷积神经网络和自适应筛选后处理两部分组成。实验结果表明,此检测算法有较好的检测效果和较高的鲁棒性。2.首先研究残差网络中的残差传播思想,然后根据其思想进一步地设计出残差反馈模块结构,以此来达到放大篡改和非篡改区域之间的隐藏特征差异的目的,并抑制那些可能会造成误判的特征。提出的回环残差U型卷积神经网络(RRU-Net)在经典U型网络(U-Net)的基础上添加残差传播模块结构以对抗图像篡改检测任务中的梯度消失问题(这里的梯度消失是指的篡改和非篡改区域之间的隐藏特征差异的梯度消失),接着添加残差反馈模块来增强这些隐藏差异特征。实验结果表明,此图像篡改检测算法具有较好的检测效果及较高的鲁棒性。