随着深度学习的广泛应用,通过变脸、换脸或生成对抗网络（Generative Adversarial Network,GAN）等方式生成的虚假人脸在网络中不断传播。因此,研究有效的人脸取证技术变得尤为重要。针对生成人脸检测,当前其研究主要关注整幅人脸图像均为生成的。但在一些现实场景中,一幅生成人脸图像中只是小部分局部区域是生成的,甚至很小部分,其余绝大部分区域都是自然的,例如人脸图像复原、眼镜去除、掩模去除等。由于生成区域可能非常小,因此在经过具有多个池化层的深度卷积网络中可能会缩小到一个点,甚至在特征图上完全没有。从而可能导致全局生成人脸检测方法在局部生成人脸检测上性能很差。针对局部生成人脸检测和定位,据我们所知,目前还没有公开的局部生成人脸数据集。针对局部生成人脸检测,Xception作为一种在全局生成人脸检测中使用广泛的模型,具有不错的性能,但其不完全适用于局部生成人脸的检测。针对局部生成人脸定位研究,RRU-Net是最新提出的具有良好性能的针对非人脸图像普通篡改方式的定位模型,但其在应用于有攻击的局部生成人脸定位时,其鲁棒性仍需进一步提高。因此,本文将围绕局部生成人脸的检测及定位开展以下三方面研究工作:（1）为了开展局部生成人脸的研究工作,本文在FFHQ真实人脸数据库70000张人脸图像的基础上,利用Matlab创建了具有不同大小和形状的二进制掩模图并与原始人脸图像进行拼接得到含有缺失区域的人脸图像,然后通过已公开的多元图像修复方法深度修复缺失区域,构造了首个基于GAN的局部生成人脸数据集LGGF。该数据集共有840000张图像。（2）提出了一种改进Xception的检测模型:（a）删除了四个残差块,调整了参数,加入了注意力机制;（b）含有空洞卷积的Inception模块被用于获得多尺度特征;（c）利用特征金字塔网络（Feature Pyramid Networks,FPN）获取多层次特征。实验结果表明提出的改进Xception模型在检测精度、鲁棒性和泛化性方面总体优于现有模型,尤其针对具有较小生成区域的人脸图像。（3）提出了一种融合RRU-Net和去噪操作模块的局部生成人脸鲁棒定位模型。为了提高模型的鲁棒性,首先,引入去噪操作模块以抵抗深层网络中产生的噪声扰动,增强模型对局部生成区域特征的学习;然后,提出局部生成损失函数(LGIo Uloss),并结合样本平衡损失函数（Focal loss）,有效增强网络在训练过程中对局部生成区域的关注。最后,通过一系列消融和对比实验验证了提出模型相对于RRU-Net的改进以及其他现有模型的优越性。